[論文レビュー] UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion Model with Ensemble Monte Carlo Dropout for COVID-19 Detection

Moloud Abdar, Soorena Salari+8 more|arXiv (Cornell University)|May 18, 2021

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本稿では、アンサンブル・モンテカルロドロップアウトを用いて不確実性を考慮した特徴統合を行う深層学習モデル、UncertaintyFuseNetを提案する。このモデルは、胸部CTおよびレントゲン画像からの階層的特徴を統合し、COVID-19検出に用いられる。CTスキャンでは99.08%の正確さを達成し、レントゲンでは96.35%を記録し、ノイズや分布外データに対して優れた耐性を示した。

ABSTRACT

The COVID-19 (Coronavirus disease 2019) pandemic has become a major global threat to human health and well-being. Thus, the development of computer-aided detection (CAD) systems that are capable to accurately distinguish COVID-19 from other diseases using chest computed tomography (CT) and X-ray data is of immediate priority. Such automatic systems are usually based on traditional machine learning or deep learning methods. Differently from most of existing studies, which used either CT scan or X-ray images in COVID-19-case classification, we present a simple but efficient deep learning feature fusion model, called UncertaintyFuseNet, which is able to classify accurately large datasets of both of these types of images. We argue that the uncertainty of the model's predictions should be taken into account in the learning process, even though most of existing studies have overlooked it. We quantify the prediction uncertainty in our feature fusion model using effective Ensemble MC Dropout (EMCD) technique. A comprehensive simulation study has been conducted to compare the results of our new model to the existing approaches, evaluating the performance of competing models in terms of Precision, Recall, F-Measure, Accuracy and ROC curves. The obtained results prove the efficiency of our model which provided the prediction accuracy of 99.08\% and 96.35\% for the considered CT scan and X-ray datasets, respectively. Moreover, our UncertaintyFuseNet model was generally robust to noise and performed well with previously unseen data. The source code of our implementation is freely available at: https://github.com/moloud1987/UncertaintyFuseNet-for-COVID-19-Classification.

研究の動機と目的

• 医用画像を用いたCOVID-19検出のための既存の深層学習モデルにおける不確実性の定量化の欠如に対処する。
• 診断の正確性を向上させるために、CTおよびX線画像の両方を処理できる統合的で頑健な特徴統合モデルを開発する。
• トレーニングおよび推論プロセスに不確実性推定を統合することで、モデルの信頼性を向上させる。
• 臨床現場での展開において、一般化性能およびノイズや未知のデータに対する耐性を確保する。
• 他の複雑な疾患検出タスクに応用可能なスケーラブルで一般化可能なフレームワークを提供する。

提案手法

• 事前学習済みのCNNから得られる低レベルおよび高レベル特徴を統合する階層的特徴統合アーキテクチャを採用する。
• 推論時にドロップアウトを有効に保ち、複数回の順方向伝搬を実行することで、アンサンブル・モンテカルロドロップアウト（EMCD）を用いてモデルの不確実性を推定する。
• 最終分類の前に異なる画像モodalの特徴を統合するためのエアリー・フュージョン戦略を採用する。
• 一般化性能を向上させるために、重み正則化とデータ拡張を用いた交差エントロピー損失でモデルを訓練する。
• クラスごとの分析と耐性評価を実施し、すべてのクラスで一貫した性能を確認する。
• 統合の前段階でモダリティ固有の表現を抽出できる、共有およびモダリティ固有の層を備えた二本のブランチエンコーダ構造を用いる。

実験結果

リサーチクエスチョン

• RQ1 統一された深層学習モデルは、CTおよびX線画像からの特徴を効果的に統合することで、COVID-19検出の正確さを向上させることができるか？
• RQ2 アンサンブルMCドロップアウトによる不確実性定量化の統合は、医療診断におけるモデルの信頼性と解釈可能性をどのように向上させるか？
• RQ3 提案されたモデルは、ノイズに対してどの程度耐性を示し、未知または分布外のサンプルを検出できるか？
• RQ4 標準ベンチマークデータセット上での精度、再現率、F1スコア、AUC-ROCの観点から、UncertaintyFuseNetは最先端のモデルと比較してどの程度優れているか？
• RQ5 異なる画像モダリティ間で一般化可能であり、微調整なしに高い性能を維持できるか？

主な発見

• UncertaintyFuseNetは、CTスキャンデータセットで99.08%の正確さを達成し、ResNet50 や DeTraC といったすべてのベースラインモデルを大きく上回った。
• X線データセットでは、96.35%の正確さを達成し、DarkCovidNet やベイジアンディープラーニングといった最先端のモデルを上回った。
• モデルはノイズに対して高い耐性を示し、悪条件のデータ下でも強力な性能を維持した。
• アンサンブルMCドロップアウトの統合により、信頼性の高い不確実性推定が可能になり、未知または異常な症例を高い信頼度で検出できるようになった。
• クラスごとの分析により、すべての診断カテゴリーで一貫した性能が確認され、バランスの取れた信頼性の高い予測が得られた。
• 精度、再現率、F1スコア、ROC-AUCといった包括的な指標を用いた評価により、既存の手法を上回る優れた性能が裏付けられた。