[논문 리뷰] A novel and reliable deep learning web-based tool to detect COVID-19 infection form chest CT-scan

Abdolkarim Saeedi, Maryam Saeedi외 1명|arXiv (Cornell University)|2020. 06. 24.

COVID-19 diagnosis using AI참고 문헌 5인용 수 13

한 줄 요약

이 논문은 흉부 CT 영상에서 코로나19를 감지하기 위한 신뢰할 수 있는 웹 기반 딥러닝 도구를 제시한다. 하이브리드 모델은 특징 추출을 위해 DenseNet을, 분류를 위해 Nu-SVM을 조합하여 사용한다. 시스템은 90.61%의 정확도, 90.80%의 재현율, 89.76%의 정밀도 및 AUC 95.05%를 기록했으며, 이미지당 추론 시간은 단지 39 밀리초이다.

ABSTRACT

The corona virus is already spread around the world in many countries, and it has taken many lives. Furthermore, the world health organization (WHO) has announced that COVID-19 has reached the global epidemic stage. Early and reliable diagnosis using chest CT-scan can assist medical specialists in vital circumstances. In this work, we introduce a computer aided diagnosis (CAD) web service to detect COVID- 19 online. One of the largest public chest CT-scan databases, containing 746 participants was used in this experiment. A number of well-known deep neural network architectures consisting of ResNet, Inception and MobileNet were inspected to find the most efficient model for the hybrid system. A combination of the Densely connected convolutional network (DenseNet) in order to reduce image dimensions and Nu-SVM as an anti-overfitting bottleneck was chosen to distinguish between COVID-19 and healthy controls. The proposed methodology achieved 90.80% recall, 89.76% precision and 90.61% accuracy. The method also yields an AUC of 95.05%. Ultimately a flask web service is made public through ngrok using the trained models to provide a RESTful COVID-19 detector, which takes only 39 milliseconds to process one image. The source code is also available at this https URL. Based on the findings, it can be inferred that it is feasible to use the proposed technique as an automated tool for diagnosis of COVID-19.

연구 동기 및 목표

• 흉부 CT 영상 이미지를 이용해 조기 코로나19 감지를 위한 자동화되고 신뢰성 있으며 접근성이 높은 웹 기반 도구를 개발한다.
• 글로벌 코로나19 패닉 기간 동안 시기적절하고 정확한 진단을 달성하기 위해 딥러닝을 활용하여 도전 과제를 해결한다.
• 의료 전문가들이 CT 영상의 수동 해석에 의존하는 것을 줄임으로써 진단 효율성을 향상시킨다.
• 실시간 코로나19 감지를 위한 공개 가능하고 저지연 시간의 RESTful 웹 서비스를 구축한다.

제안 방법

• 흉부 CT 영상에서 계층적 특징을 추출하고 이미지 차원을 감소시키기 위해 DenseNet을 사용한 하이브리드 딥러닝 모델을 개발하였다.
• 과적합 방지를 위한 복합 블록으로서 Nu-SVM을 분류기로 활용하여 일반화 능력을 향상시켰다.
• 공개된 데이터셋(746명의 참가자 포함, 코로나19 양성 및 건강한 대조군 포함)을 사용해 모델을 훈련 및 검증하였다.
• 하이브리드 시스템에 가장 효율적인 아키텍처를 선택하기 위해 여러 딥 네트워크(ResNet, Inception, MobileNet)를 평가하였다.
• Flask 기반 웹 서비스를 사용하여 트레이닝된 모델을 ngrok을 통해 호스팅하고, REST API를 통해 공개 접근을 가능하게 하였다.
• 시스템은 단일 CT 이미지를 단지 39 밀리초 내에 처리하여 임상 환경에서 실시간 성능을 보장한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 웹 서비스는 흉부 CT 영상에서 코로나19를 감지할 때 높은 정확도와 낮은 지연 시간을 달성할 수 있는가?
• RQ2 이러한 진단 작업에 대해 Nu-SVM 분류기와 조합했을 때 어떤 딥 네트워크 아키텍처가 가장 우수한 성능을 보이는가?
• RQ3 CT 영상에 기반한 신뢰성 있고 공개 가능한 웹 기반 CAD 시스템을 코로나19 감지에 구현하는 것은 가능한가?
• RQ4 하이브리드 DenseNet-Nu-SVM 모델은 과적합을 최소화하면서도 높은 진단 성능를 유지하는 데 얼마나 효과적인가?

주요 결과

• 제안된 웹 기반 CAD 시스템은 테스트 세트에서 코로나19와 건강한 대조군을 90.61%의 정확도로 구분하였다.
• 모델은 높은 재현율 90.80%를 보이며 양성 사례를 감지하는 데 강력한 민감도를 보였다.
• 정밀도는 89.76%로 기록되어 거짓 양성 결과가 최소화된 신뢰할 수 있는 양성 예측을 보였다.
• ROC 곡선 아래 면적(AUC)은 95.05%에 도달하여 우수한 전체 진단 분류 성능를 나타냈다.
• 시스템은 단일 CT 이미지를 단지 39 밀리초 내에 처리하여 임상 환경에서 실시간 구현이 가능했다.
• 소스 코드와 트레이닝된 모델은 공개되어 있어 투명성과 재현 가능성을 지원한다.