[논문 리뷰] Advancing Diagnostic Precision: Leveraging Machine Learning Techniques for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest X-Ray Images

Aditya Kulkarni, Guruprasad Parasnis외 4명|arXiv (Cornell University)|2023. 10. 09.

COVID-19 diagnosis using AIMedicine인용 수 3

한 줄 요약

이 논문은 고도로 발전된 이미지 전처리 기법과 딥러닝을 활용하여 흉부 X선 영상에서 코로나19, 폐렴, 결핵을 다중 클래스로 감지하기 위한 새로운 합성곱 신경망(CNN)을 제안한다. 다양한 공개 데이터셋에서 상태의 기술(SOTA) 성능을 달성하며, AUC 점수는 코로나19 0.95, 결핵 0.99, 폐렴 0.98를 기록했으며, VGG19, ResNet, DenseNet 등의 전이학습 모델을 초월한다.

ABSTRACT

Lung diseases such as COVID-19, tuberculosis (TB), and pneumonia continue to be serious global health concerns that affect millions of people worldwide. In medical practice, chest X-ray examinations have emerged as the norm for diagnosing diseases, particularly chest infections such as COVID-19. Paramedics and scientists are working intensively to create a reliable and precise approach for early-stage COVID-19 diagnosis in order to save lives. But with a variety of symptoms, medical diagnosis of these disorders poses special difficulties. It is essential to address their identification and timely diagnosis in order to successfully treat and prevent these illnesses. In this research, a multiclass classification approach using state-of-the-art methods for deep learning and image processing is proposed. This method takes into account the robustness and efficiency of the system in order to increase diagnostic precision of chest diseases. A comparison between a brand-new convolution neural network (CNN) and several transfer learning pre-trained models including VGG19, ResNet, DenseNet, EfficientNet, and InceptionNet is recommended. Publicly available and widely used research datasets like Shenzen, Montogomery, the multiclass Kaggle dataset and the NIH dataset were used to rigorously test the model. Recall, precision, F1-score, and Area Under Curve (AUC) score are used to evaluate and compare the performance of the proposed model. An AUC value of 0.95 for COVID-19, 0.99 for TB, and 0.98 for pneumonia is obtained using the proposed network. Recall and precision ratings of 0.95, 0.98, and 0.97, respectively, likewise met high standards.

연구 동기 및 목표

• 흉부 X선 영상에서 코로나19, 폐렴, 결핵을 정확하게 감지하기 위한 강력하고 다중 클래스의 딥러닝 모델을 개발하기.
• 히스토그램 평준화 및 노이즈 제거와 같은 고도의 이미지 전처리 기법을 통합하여 진단 정밀도를 향상시키기.
• 공개 데이터셋을 사용하여 기존의 전이학습 모델(VGG19, ResNet, DenseNet 등)을 초월하여 흉부 질환을 분류하는 데 목표를 두기.
• 다양한 데이터셋을 통해 철저한 평가를 수행하여 임상 진단에서 자동화된 흉부 X선 분석의 기준을 설정하기.
• 실제 의료 응용 분야에서의 신뢰성을 높이기 위해 잘못된 양성 및 음성 결과를 줄이기.

제안 방법

• 특수 설계된 합성곱 신경망(CNN)은 특징 학습 및 일반화 능력을 향상시키기 위해 잔차 연결과 글로벌 평균 풀링을 포함한다.
• 이미지 전처리에는 노이즈 제거, 히스토그램 평준화, 이미지 스케일링이 포함되어 입력 품질 향상과 모델의 강건성 향상을 도모한다.
• 모델는 신장, 몬고메리, NIH, 그리고 7,395장의 X선 영상이 포함된 다중 클래스 카글 데이터셋을 포함한 네 개의 공개 데이터셋에서 훈련 및 평가되었다.
• 유사한 평가 프로토콜을 사용하여 제안된 CNN와 전이학습 모델(VGG19, ResNet, DenseNet, EfficientNet, InceptionNet)을 비교하였다.
• 표준 평가 지표인 재현율, 정밀도, F1 점수 및 ROC 곡선 아래 면적(AUC)을 사용하여 성능를 평가하였으며, 히스토그램 평준화가 최적의 전처리 단계로 확인되었다.
• 최종 모델는 다중 클래스 출력을 위해 소프트맥스 분류기를 사용하였으며, 일반화 능력을 향상시키기 위해 데이터 증강 기법을 활용해 미세조정하였다.

Figure 1: Data Pre-processing by Augmentation

실험 결과

연구 질문

• RQ1 특수 설계된 CNN이 흉부 X선 영상에서 코로나19, 폐렴, 결핵을 다중 클래스로 감지하는 데 있어 기존의 전이학습 모델을 초월할 수 있는가?
• RQ2 다양한 데이터셋에서 모델 성능 향상에 있어 히스토그램 평준화 전처리 기법이 다른 이미지 강화 기법보다 어떻게 비교되는가?
• RQ3 제안된 모델은 NIH 및 다중 클래스 카글 데이터셋과 같은 기준 데이터셋에서 어떤 진단 정확도를 보이는가?
• RQ4 기존의 수동 진단 및 이전의 딥러닝 접근 방식과 비교해 볼 때, 제안된 모델이 잘못된 양성 및 음성 결과를 얼마나 줄이는가?
• RQ5 실제 임상 환경에서 다양한 영상 조건과 환자 집단에 대해 제안된 모델이 일반화 능력을 얼마나 잘 유지하는가?

주요 결과

• 제안된 CNN은 코로나19에 대해 AUC 0.95, 결핵에 대해 0.99, 폐렴에 대해 0.98를 기록하여 모든 평가된 전이학습 모델을 뛰어넘었다.
• 코로나19에 대해 재현율 0.95, 정밀도 0.98, F1 점수 0.97를 기록하여 높은 민감도와 특이도를 보였다.
• 히스토그램 평준화가 가장 효과적인 전처리 기법으로 확인되어 모든 데이터셋에서 모델 성능을 크게 향상시켰다.
• 다중 클래스 카글 데이터셋에서 모델은 AUC 0.98을 기록하여 질병 유형 간 강력한 일반화 능력을 보였다.
• 이전 연구에서의 ResNet-50(AUC 0.77)과 DenseNet-121(AUC 0.76)를 초월하여, 모델의 최고 수준의 성능을 확인하였다.
• 7,395장의 X선 영상으로 구성된 다중 클래스 테스트 세트에서 모델은 99.3%의 정확도, 0.99의 민감도, 0.99의 특이도를 기록하여 뛰어난 진단 신뢰성을 보였다.

Figure 2: Data Pre-processing by LTP