[논문 리뷰] A Recent Survey of the Advancements in Deep Learning Techniques for Monkeypox Disease Detection

Saddam Hussain Khan, Rashid Iqbal외 1명|arXiv (Cornell University)|2023. 11. 06.

Poxvirus research and outbreaks인용 수 5

한 줄 요약

이 종합 검토는 피부 병변 영상에서 자동으로 홍역을 감지하기 위한 딥 러닝(DL) 기법에 대한 포괄적인 분석을 제시한다. 여기에는 컨volutional 신경망(CNNs), 앙상블 모델, 하이브리드 아키텍처, 비전 트랜스포머(Vision Transformers) 등의 방법을 평가한다. 임상 진단에서의 주요 과제를 규명하고, 기준 데이터셋, 사전 처리 전략, 평가 지표를 검토하며, DL 기반 MPox 감지 시스템의 연구 격차와 향후 방향성을 강조한다.

ABSTRACT

Monkeypox (MPox) is a zoonotic infectious disease induced by the MPox Virus, part of the poxviridae orthopoxvirus group initially discovered in Africa and gained global attention in mid-2022 with cases reported outside endemic areas. Symptoms include headaches, chills, fever, smallpox, measles, and chickenpox-like skin manifestations and the WHO officially announced MPox as a global public health pandemic, in July 2022.Traditionally, PCR testing of skin lesions is considered a benchmark for the primary diagnosis by WHO, with symptom management as the primary treatment and antiviral drugs like tecovirimat for severe cases. However, manual analysis within hospitals poses a substantial challenge including the substantial burden on healthcare professionals, limited facilities, availability and fatigue among doctors, and human error during public health emergencies. Therefore, this survey paper provides an extensive and efficient analysis of deep learning (DL) methods for the automatic detection of MPox in skin lesion images. These DL techniques are broadly grouped into categories, including deep CNN, Deep CNNs ensemble, deep hybrid learning, the newly developed, and Vision transformer for diagnosing MPox. Moreover, this study offers a systematic exploration of the evolutionary progression of DL techniques and identifies, and addresses limitations in previous methods while highlighting the valuable contributions and innovation. Additionally, the paper addresses benchmark datasets and their collection from various authentic sources, pre-processing techniques, and evaluation metrics. The survey also briefly delves into emerging concepts, identifies research gaps, limitations, and applications, and outlines challenges in the diagnosis process. This survey furnishes valuable insights into the prospective areas of DL innovative ideas and is anticipated to serve as a path for researchers.

연구 동기 및 목표

• 피부 병변 영상에서 자동으로 홍역을 감지하기 위한 딥 러닝의 최근 발전을 체계적으로 검토하는 것.
• CNNs, 앙상블 모델, 하이브리드 네트워크, 비전 트랜스포머를 포함한 다양한 DL 아키텍처의 진화와 성능를 분석하는 것.
• MPox 감지 연구에서 사용된 기준 데이터셋, 사전 처리 기법, 표준 평가 지표를 평가하는 것.
• 기존 방법의 한계를 규명하고 임상 적용 및 모델 일반화 측면에서 연구 격차를 제시하는 것.
• 딥 러닝 기반 자동 MPox 진단 시스템을 위한 향후 연구의 비전도를 제시하는 것.

제안 방법

• 이 종합 검토는 피부 기반 진단을 중심으로 딥 러닝 기반 홍역 감지에 관한 동료 심사된 논문들을 체계적으로 검토한다.
• DL 기법을 다음과 같이 분류한다: (1) 딥 CNNs, (2) 딥 CNNs의 앙상블, (3) 딥 하이브리드 학습 모델, (4) 신규 개발된 아키텍처, (5) 비전 트랜스포머.
• 이 연구는 이전 연구에서 사용된 데이터셋의 기원, 크기, 주석 품질을 평가하여 데이터의 신뢰성과 다양성을 분석한다.
• 이미지 정규화, 증강, 병변 분할 기법 등 사전 처리 파이프라인을 분석한다. 이는 피부 병변 영상에 적용된다.
• 정확도, 민감도, 특이도, AUC-ROC, F1-스코어와 같은 평가 지표를 다양한 연구 간 비교하여 모델 성능를 평가한다.
• 모델의 해석 가능성, 임상 적용 가능성, 딥 러닝 모델이 MPox 감지에 실생활에 구현할 때의 과제를 종합한다.

실험 결과

연구 질문

• RQ1 피부 병변 영상에서 홍역을 감지하기 위해 가장 효과적인 딥 러닝 아키텍처는 무엇인가요?
• RQ2 다양한 데이터 증강 및 사전 처리 기법은 MPox 감지 모델의 성능에 어떤 영향을 미치나요?
• RQ3 기존 기준 데이터셋의 크기, 다양성, 임상적 관련성 측면에서의 한계는 무엇인가요?
• RQ4 비전 트랜스포머와 하이브리드 모델은 전통적인 CNNs에 비해 홍역 병변 분류에서 어떻게 비교되나요?
• RQ5 임상 홍역 진단을 위한 딥 러닝 모델의 구현에 있어 핵심 연구 격차와 과제는 무엇인가요?

주요 결과

• 딥 CNNs는 여전히 MPox 감지에 가장 널리 사용되는 아키텍처이며, 표준 데이터셋에서 강력한 기준 성능를 보여준다.
• 앙상블 모델과 하이브리드 아키텍처는 단일 CNNs에 비해 더 높은 정확도와 강건성을 보이며, 특히 클래스 불균형 문제를 다룰 때 유리하다.
• 비전 트랜스포머는 대규모 데이터에서 경쟁적인 성능를 달성함으로써 유망한 대안으로 부상하고 있다.
• 이 연구는 표준화되고 공개된, 다양한 기반 데이터셋의 부족함을 분야의 주요 한계로 규명한다.
• 데이터 증강 및 병변 분할과 같은 사전 처리 기법은 모델의 일반화 능력을 크게 향상시키고 과적합을 줄인다.
• 평가 지표는 연구 간에 다양하게 변동하며, AUC-ROC와 F1-스코어가 임상 환경에서 모델 신뢰성 평가에 가장 유용한 것으로 나타났다.