[논문 리뷰] Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network

Qi Xiao, Lloyd Brown외 2명|arXiv (Cornell University)|2020. 11. 06.

COVID-19 diagnosis using AI참고 문헌 32인용 수 10

한 줄 요약

이 논문은 원본 및 국소적 위상 강조 처리를 거친 흉부 X선 촬영 영상(CTX)을 융합하는 다중 특징 컨volution 신경망(CNN)을 제안하여 코로나19 진단 성능을 향상시킨다. 미세한 병리학적 패턴을 강조하기 위해 영상 위상 특징을 강화함으로써, 8,851건의 정상, 6,045건의 폐렴, 3,323건의 코로나19 스크린이 포함된 대규모 데이터셋에서 95.57%의 정확도를 달성하였으며, 코로나19 검출에 대해 99%의 F1 스코어를 기록하였다.

ABSTRACT

Recently, the outbreak of the novel Coronavirus disease 2019 (COVID-19) pandemic has seriously endangered human health and life. Due to limited availability of test kits, the need for auxiliary diagnostic approach has increased. Recent research has shown radiography of COVID-19 patient, such as CT and X-ray, contains salient information about the COVID-19 virus and could be used as an alternative diagnosis method. Chest X-ray (CXR) due to its faster imaging time, wide availability, low cost and portability gains much attention and becomes very promising. Computational methods with high accuracy and robustness are required for rapid triaging of patients and aiding radiologist in the interpretation of the collected data. In this study, we design a novel multi-feature convolutional neural network (CNN) architecture for multi-class improved classification of COVID-19 from CXR images. CXR images are enhanced using a local phase-based image enhancement method. The enhanced images, together with the original CXR data, are used as an input to our proposed CNN architecture. Using ablation studies, we show the effectiveness of the enhanced images in improving the diagnostic accuracy. We provide quantitative evaluation on two datasets and qualitative results for visual inspection. Quantitative evaluation is performed on data consisting of 8,851 normal (healthy), 6,045 pneumonia, and 3,323 Covid-19 CXR scans. In Dataset-1, our model achieves 95.57\% average accuracy for a three classes classification, 99\% precision, recall, and F1-scores for COVID-19 cases. For Dataset-2, we have obtained 94.44\% average accuracy, and 95\% precision, recall, and F1-scores for detection of COVID-19. Our proposed multi-feature guided CNN achieves improved results compared to single-feature CNN proving the importance of the local phase-based CXR image enhancement (https://github.com/endiqq/Fus-CNNs_COVID-19).

연구 동기 및 목표

• 미세한 초기 단계 영상 특징으로 인해 CXR 기반 코로나19 진단의 민감도와 특이도가 낮은 문제를 해결한다.
• 흉부 X선 촬영 영상의 방사선 영상 해석에서 관찰자 간 및 관찰자 내 변동성을 감소시킨다.
• 국소적 위상 기반 강화에서 유도된 향상된 영상 특징을 통합함으로써 딥 러닝 모델의 진단 정확도를 향상시킨다.
• 일반적으로 이용 가능한 저비용의 흉부 X선 촬영 영상을 활용해 의심되는 코로나19 환자를 선별하기 위한 강력하고 일반화 가능한 모델을 개발한다.
• 원본 영상과 강화된 CXR 영상을 융합한 다중 특징 융합 기법이 정상, 폐렴, 코로나19 환자 분류에 있어 단일 특징 기반 CNN보다 뛰어난 성능을 보이는지 확인한다.

제안 방법

• 코로나19 관련 투과성의 가시성을 향상시키기 위해 국소적 위상 기반 영상 강화 기법을 적용하여 CXR 영상의 미세한 질감 및 구조적 세부 정보를 증폭시킨다.
• 원본 및 강화된 CXR 영상을 다중 채널 입력으로 사용하여 특징 수준의 융합을 가능하게 하는 맞춤형 CNN 아키텍처에 통합한다.
• 특징 상호작용 메커니즘을 비교하고 성능을 최적화하기 위해 초기, 중간, 후기 융합 전략을 구현한다.
• 18,229건의 영상(8,851건의 정상, 6,045건의 폐렴, 3,323건의 코로나19)을 포함한 두 개의 대규모 공개 데이터셋을 사용하여 모델을 훈련시킨다. 두 번째 데이터셋은 10,400건의 영상으로 구성되어 있다.
• 5단계 교차 검증 및 아블레이션 연구를 통해 영상 강화가 진단 성능에 기여하는 정도를 분리하여 분석한다.
• 표준 평가 지표인 정확도, 정밀도, 재현율, F1 스코어를 사용하여 모델 성능을 평가하며, 통계적 유의성은 보고한다.

실험 결과

연구 질문

• RQ1 국소적 위상 기반 영상 강화는 정상, 폐렴, 코로나19로 분류되는 CXR 영상의 진단 성능을 유의미하게 향상시키는가?
• RQ2 원본 및 강화된 CXR 영상의 다중 특징 융합은 단일 특징 기반 CNN에 비해 분류 정확도와 강건성 측면에서 어떻게 비교되는가?
• RQ3 원본 및 강화된 CXR 입력에서 특징을 융합하는 데 있어 최적의 융합 전략(초기, 중간, 후기)은 무엇인가?
• RQ4 제안된 방법은 실생활 대규모 CXR 데이터셋에서 코로나19 검출에 대해 최신 기술 수준의 성능을 달성하는가?
• RQ5 영상 강화는 거짓 양성 결과를 얼마나 줄이고 초기 또는 경증 코로나19 환자의 검출을 얼마나 향상시키는가?

주요 결과

• 제안된 다중 특징 CNN은 데이터셋-1에서 평균 95.57%의 정확도를 기록하였으며, 코로나19 클래스에 대해 정밀도, 재현율, F1 스코어 모두 99%를 기록하였다.
• 데이터셋-2에서는 평균 94.44%의 정확도와 코로나19에 대해 95%의 F1 스코어를 기록하여 다양한 데이터 분할에 대한 강건성을 입증하였다.
• 아블레이션 연구를 통해 영상 강화가 진단 정확도를 유의미하게 향상시켜 국소적 위상 기반 특징 강화의 가치를 입증하였다.
• 다양한 아키텍처에서 후기 융합 전략이 초기 및 중간 융합 전략보다 뛰어난 성능을 보였으며, 특히 EfficientNetB4 및 Xception에서 최대 94.01%의 정확도를 기록하였다.
• Xception 아키텍처를 사용한 후기 융합 모델은 데이터셋-2에서 최고의 F1 스코어 94.01%를 기록하여 정밀도와 재현율 간의 균형이 뛰어나다는 것을 나타내었다.
• 특히 더 큰 크기와 더 다양한 데이터셋에서, 제안된 방법은 정확도 및 데이터셋 크기 측면에서 기존 최신 기술 수준의 모델들을 초월하였다.