[論文レビュー] Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images

Safa Ben Atitallah, Maha Driss+2 more|arXiv (Cornell University)|May 17, 2021

COVID-19 diagnosis using AI参考文献 14被引用数 6

ひとこと要約

本論文は、転移学習を用いずに、ランダム初期化された畳み込みニューラルネットワーク（CNN）を提案し、コロナウイルス感染症（COVID-19）をレントゲン画像から検出するためのものである。2つの公的データセット（COVIDxおよび強化済みCOVID-19）を評価対象として、それぞれ94%および99%の精度を達成し、事前学習済み重みに依存せずに優れた性能を示した。

ABSTRACT

By the start of 2020, the novel coronavirus disease (COVID-19) has been declared a worldwide pandemic. Because of the severity of this infectious disease, several kinds of research have focused on combatting its ongoing spread. One potential solution to detect COVID-19 is by analyzing the chest X-ray images using Deep Learning (DL) models. In this context, Convolutional Neural Networks (CNNs) are presented as efficient techniques for early diagnosis. In this study, we propose a novel randomly initialized CNN architecture for the recognition of COVID-19. This network consists of a set of different-sized hidden layers created from scratch. The performance of this network is evaluated through two public datasets, which are the COVIDx and the enhanced COVID-19 datasets. Both of these datasets consist of 3 different classes of images: COVID19, pneumonia, and normal chest X-ray images. The proposed CNN model yields encouraging results with 94% and 99% of accuracy for COVIDx and enhanced COVID-19 dataset, respectively.

研究の動機と目的

• 胸部レントゲン画像を用いたCOVID-19の早期検出のためのディーブラーニングモデルの開発。
• 事前学習済み重みを使用せずに、ランダム初期化から訓練されたCNNの性能の調査。
• 正常、肺炎、COVID-19のレントゲン画像を含む多様な公的データセットにおけるモデルの評価。
• カスタムアーキテクチャのCNNが、転移学習を用いずに高い精度を達成できることの証明。

提案手法

• 複数の隠れ層を備えた、複数のサイズを有する新しいCNNアーキテクチャを、完全に新規に設計した。
• 交差エントロピー損失関数を用い、確率的勾配降下法でエンドツーエンドに訓練した。
• 一般化性能の向上と過学習の低減のため、データ拡張技術を適用した。
• 2つの公的データセット（COVIDxおよび強化済みCOVID-19データセット）でモデルを評価した。
• ImageNetやその他の事前学習済み重みを一切使用せず、完全にランダム初期化からの訓練を実施した。
• 過学習を防ぐために、ハイパーパramータチューニングと早期停止を用いてアーキテクチャを最適化した。

実験結果

リサーチクエスチョン

• RQ1 転移学習を用いずに、ランダム初期化されたCNNは、胸部レントゲン画像からのCOVID-19分類において高い精度を達成できるか？
• RQ2 公的COVID-19レントゲン画像データセットにおいて、カスタムCNNの性能は事前学習済みモデルと比べてどうか？
• RQ3 データ拡張およびアーキテクチャ設計は、データが少ない状況下でのモデルの一般化性能にどのような影響を与えるか？
• RQ4 完全にランダム初期化から訓練されたCNNは、正常、肺炎、COVID-19のレントゲン画像を効果的に区別できるか？

主な発見

• 提案されたCNNは、正常、肺炎、COVID-19のレントゲン画像を含むCOVIDxデータセットで94%の精度を達成した。
• 強化済みCOVID-19データセットでは、99%の精度に達した。これは、改善されたデータに対して優れた一般化性能を示している。
• 結果から、事前学習済みImageNet重みに依存せずとも、ランダム初期化で競争力のある性能が得られることを示した。
• モデルの性能は、少数のサンプルでの医療画像分類タスクにおいて、アーキテクチャ設計とデータ拡張の有効性を強調している。
• 転移学習が欠如しても性能に悪影響が及ばず、特定の医療分類タスクにおいて、カスタムトレーニングが十分に有効である可能性を示唆している。
• 特にデータ品質と多様性が向上した場合、異なるデータ分布に対してもモデルの頑健性が確認された。