[논문 리뷰] Automatic Detection of Coronavirus Disease (COVID-19) in X-ray and CT Images: A Machine Learning-Based Approach

Sara Hosseinzadeh Kassani, Peyman Hosseinzadeh Kassasni외 3명|arXiv (Cornell University)|2020. 04. 22.

COVID-19 diagnosis using AI참고 문헌 41인용 수 62

한 줄 요약

이 논문은 COVID-19를 chest X-ray 및 CT 영상에서 탐지하기 위해 전이 학습 기반의 깊은 CNN 특징 추출기 앙상블 뒤에 전통 ML 분류기를 결합한 방법을 평가하며, 공개 데이터셋에서 최대 99% 정확도를 달성합니다.

ABSTRACT

The newly identified Coronavirus pneumonia, subsequently termed COVID-19, is highly transmittable and pathogenic with no clinically approved antiviral drug or vaccine available for treatment. The most common symptoms of COVID-19 are dry cough, sore throat, and fever. Symptoms can progress to a severe form of pneumonia with critical complications, including septic shock, pulmonary edema, acute respiratory distress syndrome and multi-organ failure. While medical imaging is not currently recommended in Canada for primary diagnosis of COVID-19, computer-aided diagnosis systems could assist in the early detection of COVID-19 abnormalities and help to monitor the progression of the disease, potentially reduce mortality rates. In this study, we compare popular deep learning-based feature extraction frameworks for automatic COVID-19 classification. To obtain the most accurate feature, which is an essential component of learning, MobileNet, DenseNet, Xception, ResNet, InceptionV3, InceptionResNetV2, VGGNet, NASNet were chosen amongst a pool of deep convolutional neural networks. The extracted features were then fed into several machine learning classifiers to classify subjects as either a case of COVID-19 or a control. This approach avoided task-specific data pre-processing methods to support a better generalization ability for unseen data. The performance of the proposed method was validated on a publicly available COVID-19 dataset of chest X-ray and CT images. The DenseNet121 feature extractor with Bagging tree classifier achieved the best performance with 99% classification accuracy. The second-best learner was a hybrid of the a ResNet50 feature extractor trained by LightGBM with an accuracy of 98%.

연구 동기 및 목표

• X-ray 및 CT 영상에서 COVID-19 분류를 위한 깊은 CNN을 사용한 일반적이고 비수작업(feature extraction) 추출 접근 방식 시연.
• 대규모 사전학습된 CNN에서 지식을 전이하는 것이 제한된 COVID-19 데이터일 때 탐지 성능을 향상시키는지 평가.
• 일관되지 않은 영상 소스 간 일반화를 촉진하기 위해 광범위한 전처리를 피합니다.
• 정확도와 효율성을 극대화하는 CNN 특성 추출기와 ML 분류기의 조합을 식별합니다.
• 의심 사례의 신속한 스크리닝을 위한 웹 기반 CAD 도구를 제공합니다.

제안 방법

• 사전학습된 CNN 아키텍처(MobileNet, DenseNet, Xception, InceptionV3, InceptionResNetV2, ResNet, VGGNet, NASNet)를 특징 추출기로 사용(전이 학습)하여 이미지를 저차원 특징 벡터로 인코딩합니다.
• CNN 유도 특징에 대해 여러 전통 ML 분류기(Decision Tree, Random Forest, XGBoost, AdaBoost, Bagging, LightGBM)를 학습합니다.
• 공개 chest X-ray 및 CT 이미지 데이터셋에서 10-fold 교차 검증으로 평가합니다; 가중치는 ImageNet에서 초기화합니다.
• 두 가지 최소한의 전처리 단계(일관된 차원으로 리사이즈, 이미지 정규화(ImageNet 평균 뺄셈 및 최솟값-최댓값 정규화))를 적용합니다.
• CNN+ML 조합을 비교하기 위해 정확도, 정밀도, 재현율, F1-score를 보고합니다.

실험 결과

연구 질문

• RQ1 깊은 CNN으로부터 얻은 특징 표현과 ML 분류기가 X-ray 및 CT 영상에서 COVID-19를 건강 대조군과 얼마나 잘 구분하는가?
• RQ2 어떤 CNN 아키텍처와 ML 분류기가 이 작업에서 가장 높은 정확도와 신뢰성을 제공하는가?
• RQ3 최소한의 전처리와 전이 학습이 이질적 영상 소스 전반에 걸친 강건한 일반화를 제공하는가?
• RQ4 실용적 CAD 배치를 위한 특징 추출과 분류기 학습 간의 계산 시간 트레이드오프는 무엇인가?

주요 결과

DT	RF	XGBoost	AdaBoost	Bagging	LightGBM
83.00 ± 0.26	93.00 ± 0.23	95.00 ± 0.16	80.00 ± 0.17	96.00 ± -0.11	82.00 ± 0.28
92.00 ± 0.15	90.00 ± 0.21	94.00 ± 0.16	92.00 ± 0.19	99.00 ± 0.07	96.00 ± 0.11
84.00 ± 0.26	90.00 ± 0.24	90.00 ± 0.18	87.00 ± 0.25	96.00 ± 0.11	87.00 ± 0.17
95.00 ± 0.17	90.00 ± 0.19	96.00 ± 0.11	93.00 ± 0.20	96.00 ± 0.11	96.00 ± 0.11
82.00 ± 0.22	84.00 ± 0.29	88.00 ± 0.15	80.00 ± 0.12	95.00 ± 0.12	84.00 ± 0.16
84.00 ± 0.31	93.00 ± 0.16	93.00 ± 0.19	87.00 ± 0.33	94.00 ± 0.12	88.00 ± 0.21
89.00 ± 0.17	90.00 ± 0.15	93.00 ± 0.16	94.00 ± 0.12	93.00 ± 0.16	98.00 ± 0.09
93.00 ± 0.12	92.00 ± 0.16	93.00 ± 0.16	94.00 ± 0.17	91.00 ± 0.22	93.00 ± 0.20
90.00 ± 0.19	91.00 ± 0.19	88.00 ± 0.19	90.00 ± 0.19	90.00 ± 0.19	85.00 ± 0.19
82.00 ± 0.23	88.00 ± 0.19	89.00 ± 0.17	81.00 ± 0.23	93.00 ± 0.19	82.00 ± 0.26
87.00 ± 0.17	88.00 ± 0.22	94.00 ± 0.19	87.00 ± 0.17	93.00 ± 0.19	89.00 ± 0.17
86.00 ± 0.26	?	?	?	?	?
87.00 ± 0.12	96.00 ± 0.11	92.00 ± 0.19	90.00 ± 0.18	95.00 ± 0.12	88.00 ± 0.10
79.00 ± 0.32	89.00 ± 0.24	89.00 ± 0.28	76.00 ± 0.32	95.00 ± 0.12	78.00 ± 0.26
90.00 ± 0.27	86.00 ± 0.26	93.00 ± 0.16	89.00 ± 0.20	96.00 ± 0.11	88.00 ± 0.28

• 가장 좋은 결과는 DenseNet121 특징과 Bagging 분류기를 사용했을 때 99.00% 정확도(±0.09)
• 다음으로 근접한 결과는 DenseNet121 특징(또는 ResNet50 특징)과 LightGBM을 조합했을 때 98.00% 정확도(±0.09)
• 최고의 정밀도, 재현율, F1-점수(99.00%)는 Bagging 분류기를 사용할 때 MobileNet 및 InceptionV3 특징으로 달성
• 전반적으로 DenseNet121/DenseNet201/MobileNet/Xception/InceptionV3 등 깊은 CNN 특징과 Bagging 또는 XGBoost 분류기가 제공된 데이터 셋에서 다른 CNN+ML 조합보다 우수한 성능
• 추출 및 학습 시간은 처음부터 매우 깊은 CNN을 학습하는 것보다 빠르며 CAD 시스템에 거의 실시간 추론을 가능하게 함
• 임상 검증이 아직 필요하지만 임상 선별 파이프라인을 시뮬레이션하기 위한 웹 기반 탐지 도구가 구현됨