[논문 리뷰] A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks

Aditya Saxena, Shamsheer Pal Singh|arXiv (Cornell University)|2022. 01. 24.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 연구는 다섯 개인 공개 데이터셋을 사용하여 흉부 X-ray 영상에서 코로나19를 감지하기 위한 맞춤형 딥 컨volution 신경망(CNN)을 제안한다. 이는 COVID-Net, ResNet18, ResNet, MobileNet-V2와 같은 네 가지 사전 훈련된 모델보다 높은 검증 정확도를 달성하며, 자원이 제한된 환경에서 확장 가능하고 자동화된 코로나19 스크리닝을 위한 미세조정된 CNN의 잠재력을 입증한다.

ABSTRACT

The COVID-19 (coronavirus) is an ongoing pandemic caused by severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). The virus was first identified in mid-December 2019 in the Hubei province of Wuhan, China and by now has spread throughout the planet with more than 75.5 million confirmed cases and more than 1.67 million deaths. With limited number of COVID-19 test kits available in medical facilities, it is important to develop and implement an automatic detection system as an alternative diagnosis option for COVID-19 detection that can used on a commercial scale. Chest X-ray is the first imaging technique that plays an important role in the diagnosis of COVID-19 disease. Computer vision and deep learning techniques can help in determining COVID-19 virus with Chest X-ray Images. Due to the high availability of large-scale annotated image datasets, great success has been achieved using convolutional neural network for image analysis and classification. In this research, we have proposed a deep convolutional neural network trained on five open access datasets with binary output: Normal and Covid. The performance of the model is compared with four pre-trained convolutional neural network-based models (COVID-Net, ResNet18, ResNet and MobileNet-V2) and it has been seen that the proposed model provides better accuracy on the validation set as compared to the other four pre-trained models. This research work provides promising results which can be further improvise and implement on a commercial scale.

연구 동기 및 목표

• 한정된 RT-PCR 검사에 대체할 수 있는 자동화된 딥 러닝 시스템을 개발하기 위해 흉부 X-ray 영상에서 코로나19를 감지하는 것.
• 의료 기관에서 진단 키트의 가용성 부족 문제를 해결하기 위해 널리 이용 가능한 X-ray 영상 기반으로 접근하는 것.
• 대규모 공개 흉부 X-ray 데이터셋을 활용한 딥 러닝을 통해 진단 정확도와 속도를 향상시키는 것.
• 사전 훈련된 모델인 ResNet과 MobileNet-V2와 같은 기존 모델과의 성능 비교를 수행하는 것.

제안 방법

• 정상 및 코로나19 흉부 X-ray 영상이 포함된 다섯 개의 공개 데이터셋을 기반으로 맞춤형 딥 컨volution 신경망을 훈련시켰다.
• 표준 딥 러닝 훈련 절차를 사용하여 이진 분류(정상 대 코로나19)를 위한 최적화를 수행했다.
• 훈련 세트에서 일반화 능력 향상과 과적합 방지를 위해 데이터 증강 기법을 적용했다.
• 검증 세트에서 성능을 평가하고, COVID-Net, ResNet18, ResNet, MobileNet-V2와 같은 네 가지 사전 훈련된 모델과 비교했다.
• 검증 정확도를 극대화하기 위해 전이 학습 원리와 하이퍼파rameter 튜닝을 사용한 훈련 과정을 거렸다.
• 의료 영상에 적합한 특징 추출 능력과 파rameter 효율성을 균형 잡기 위해 모델 아키텍처를 설계했다.

실험 결과

연구 질문

• RQ1 사전 훈련된 모델보다 성능이 뛰어난 맞춤형 CNN이 흉부 X-ray 영상에서 코로나19를 감지하는 데 성공할 수 있는가?
• RQ2 동일한 데이터셋에서 미세조정된 CNN의 성능은 ResNet과 같은 기존 모델과 비교해 어떻게 되는가?
• RQ3 다양한 공개 데이터셋에서 훈련된 딥 러닝 모델이 실제 임상 진단 응용 분야로 일반화될 수 있는 정도는 어느 정도인가?
• RQ4 데이터셋의 다양성과 데이터 증강이 모델의 강건성과 정확도에 어떤 영향을 미치는가?

주요 결과

• 제안된 맞춤형 CNN은 ResNet18, ResNet, MobileNet-V2, COVID-Net를 포함한 모든 네 가지 사전 훈련된 모델보다 높은 검증 정확도를 달성했다.
• 다양한 흉부 X-ray 데이터셋 간에 강력한 일반화 능력을 보이며, 데이터 분포의 변화에 대한 강건성을 입증했다.
• 다양한 소스에서 수집된 종합적인 데이터셋을 기반으로 훈련된 목적에 맞는 CNN이 전이 학습 기반 모델보다 뛰어난 성능을 낼 수 있음을 시사한다.
• 딥 러닝 모델이 자원이 제한된 임상 환경에서 조기에 코로나19를 감지할 수 있는 실현 가능하고 확장 가능한 대안이 될 수 있음을 입증한다.