[論文レビュー] Towards an Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images

Eduardo Luz, Pedro Silva+2 more|arXiv (Cornell University)|Apr 12, 2020

COVID-19 diagnosis using AI被引用数 37

ひとこと要約

本論文では、効率的ニューラルネットワークアーキテクチャのEfficientNetを基盤とし、階層的分類器を組み合わせた効率的なディーブラーニングモデルを提案する。このモデルは、競合モデルと比較して5〜30倍少ないパラメータを用いながらも、COVID-19の胸部レントゲン画像検出において93.9％の全体精度、96.8％の感受性、100％の陽性予測値を達成し、計算コストを顕著に低減している。

ABSTRACT

Confronting the pandemic of COVID-19, is nowadays one of the most prominent challenges of the human species. A key factor in slowing down the virus propagation is the rapid diagnosis and isolation of infected patients. The standard method for COVID-19 identification, the Reverse transcription polymerase chain reaction method, is time-consuming and in short supply due to the pandemic. Thus, researchers have been looking for alternative screening methods and deep learning applied to chest X-rays of patients has been showing promising results. Despite their success, the computational cost of these methods remains high, which imposes difficulties to their accessibility and availability. Thus, the main goal of this work is to propose an accurate yet efficient method in terms of memory and processing time for the problem of COVID-19 screening in chest X-rays. Methods: To achieve the defined objective we exploit and extend the EfficientNet family of deep artificial neural networks which are known for their high accuracy and low footprints in other applications. We also exploit the underlying taxonomy of the problem with a hierarchical classifier. A dataset of 13,569 X-ray images divided into healthy, non-COVID-19 pneumonia, and COVID-19 patients is used to train the proposed approaches and other 5 competing architectures. Finally, 231 images of the three classes were used to assess the quality of the methods. Results: The results show that the proposed approach was able to produce a high-quality model, with an overall accuracy of 93.9%, COVID-19, sensitivity of 96.8% and positive prediction of 100%, while having from 5 to 30 times fewer parameters than other than the other tested architectures. Larger and more heterogeneous databases are still needed for validation before claiming that deep learning can assist physicians in the task of detecting COVID-19 in X-ray images.

研究の動機と目的

• RT-PCR検査の限界に起因する、迅速かつアクセス可能なCOVID-19スクリーニング手法の緊急的な必要性に対応する。
• X線画像を用いたCOVID-19検出のための既存のディーブラーニングモデルの高い計算コストを低減し、アクセス性を向上させる。
• メモリおよび処理時間の要件を最小限に抑える一方で、高い精度を維持するモデルの開発。
• 健康、非COVID-19肺炎、COVID-19の3クラスに分類された13,569枚のX線画像からなる多様なデータセットを用いてモデルを検証する。
• 階層的分類の有効性を検証し、マルチクラス医療画像解析におけるモデルの効率性と性能向上の可能性を探索する。

提案手法

• 高い精度と低い計算負荷が特徴のEfficientNetファミリーのディーブラーニングニューラルネットワークを、X線画像におけるCOVID-19検出に適応・拡張する。
• 分類タスクを複数段階に構造化することで、効率性と意思決定の明確さを向上させる階層的分類器を実装する。
• 健康、非COVID-19肺炎、COVID-19とラベル付けされた13,569枚のX線画像データセットを用いてモデルを学習する。
• 3クラスすべてにわたり231枚の別々のテストセットを用いて性能を評価し、頑健性と一般化性能を確認する。
• 他の5つのディーブラーニングアーキテクチャと比較して、提案モデルの性能とパラメータ数を評価する。
• 収束を加速し性能を向上させるために、事前学習済みImageNet重みを初期値として用いるトランスファーラーニングの原則を活用する。

実験結果

リサーチクエスチョン

• RQ1 EfficientNetを基盤とするモデルは、計算コストを低く抑えつつ、胸部レントゲン画像におけるCOVID-19検出で高い診断精度を達成できるか？
• RQ2 階層的分類は、COVID-19のマルチクラスX線画像解析における効率性と性能をどのように向上させるか？
• RQ3 提案モデルは、精度を損なわずに、既存のディーブラーニングアーキテクチャと比較してどの程度パラメータ数を削減できるか？
• RQ4 実世界のテストセットにおいて、モデルの感受性と陽性予測値はそれぞれどの程度か？
• RQ5 現在のデータセットの制限を考慮した場合、モデルの一般化性はどの程度であり、より広範な臨床的妥当性を確認するにはどのような追加データが必要か？

主な発見

• 提案モデルは231枚のX線画像からなるテストセットで全体精度93.9％を達成した。
• COVID-19症例の検出において、96.8％の高い感受性を示し、真陽性を強く特定できる能力があることが裏付けられた。
• 陽性予測値は100％に達し、テストセット内での予測COVID-19症例はすべて正しく同定された。
• 他の5つのテスト済みディーブラーニングアーキテクチャと比較して、モデルは5〜30倍も少ないパラメータを用いており、メモリおよび処理要求を顕著に低減した。
• 強力な性能を示したが、本研究では、より広範な臨床的展開を支援するため、より大規模かつ多様なデータセットの必要性を認識している。
• EfficientNetと階層的分類の組み合わせは、医療画像応用分野における精度と効率のバランスを図る上で効果的であることが示された。