[논문 리뷰] Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network

Asmaa Abbas, Mohammed M. Abdelsamea외 1명|arXiv (Cornell University)|2020. 03. 26.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 논문은 데이터 불규칙성 문제를 다루기 위해 클래스 분해 기법을 통합한 딥 컨volution 신경망 DeTraC을 제안한다. DeTraC의 분해 및 전이 학습 기법을 적용한 ResNet18을 활용하여, 다중 병원 데이터셋에서 95.12%의 정확도, 97.91%의 민감도, 91.87%의 특이도를 달성하여 데이터 분포 도전 상황에서도 견고한 성능을 입증한다.

ABSTRACT

Chest X-ray is the first imaging technique that plays an important role in the diagnosis of COVID-19 disease. Due to the high availability of large-scale annotated image datasets, great success has been achieved using convolutional neural networks (CNNs) for image recognition and classification. However, due to the limited availability of annotated medical images, the classification of medical images remains the biggest challenge in medical diagnosis. Thanks to transfer learning, an effective mechanism that can provide a promising solution by transferring knowledge from generic object recognition tasks to domain-specific tasks. In this paper, we validate and adapt our previously developed CNN, called Decompose, Transfer, and Compose (DeTraC), for the classification of COVID-19 chest X-ray images. DeTraC can deal with any irregularities in the image dataset by investigating its class boundaries using a class decomposition mechanism. The experimental results showed the capability of DeTraC in the detection of COVID-19 cases from a comprehensive image dataset collected from several hospitals around the world. High accuracy of 95.12% (with a sensitivity of 97.91%, a specificity of 91.87%, and a precision of 93.36%) was achieved by DeTraC in the detection of COVID-19 X-ray images from normal, and severe acute respiratory syndrome cases.

연구 동기 및 목표

• 코로나19 분류에서(annotation된) 의료 영상 데이터의 제한성과 데이터 분포의 비정규성 문제를 해결하기 위해.
• 전이 학습과 데이터 분해를 활용하여 딥 러닝 모델의 흉부 X선 영상 분류 성능을 향상시키기 위해.
• 클래스를 분해하여 결정 경계의 유연성과 모델의 강건성을 향상시키는 새로운 딥 CNN 아키텍처인 DeTraC의 유효성을 검증하기 위해.
• 특히 자원이 제한된 환경에서 흔히 발생하는 의료 영상의 데이터 불규칙성 문제를 다루는 데 DeTraC의 효과성을 입증하기 위해.
• 다양한 출처의 흉부 X선 영상 데이터셋에 대해 일반화 가능하고 유연하게 적용 가능한 프레임워크를 제공하기 위해.

제안 방법

• DeTraC는 각 원본 클래스를 다수의 하위 클래스로 분할하고, 각 하위 집합에 대해 새로운 레이블을 할당한 후 예측 결과를 재구성하는 클래스 분해 레이어를 통합한다.
• 사전 훈련된 ResNet18 모델을 흉부 X선 데이터셋에 맞추어 미세조정하는 전이 학습 기법을 사용하며, 최종 완전 연결 레이어는 6개 클래스(정상, 코로나19, SARS 등)를 위해 재학습한다.
• 하이퍼파라미터로는 모든 레이어의 기초 학습률 0.0001(최종 레이어 제외), 학습률 0.01, 배치 크기 64, 가중치 감쇠 0.0001, 모멘터 0.95를 설정한다.
• 모든 5 에포크마다 학습률 감쇠율 0.95를 적용하여 훈련 안정성 확보 및 과적합 방지를 도모한다.
• 모델은 최대 100 에포크 동안 훈련되었으며, 성능 평가에는 혼동 행렬에서 유도된 정확도, 민감도, 특이도, AUC를 사용하였다.
• 강도의 비균일성과 균형 잡히지 않은 클래스 분포를 포함한 다양한 다기관 데이터셋을 통해 아키텍처의 유효성을 검증하였다.

실험 결과

연구 질문

• RQ1 클래스 분해 기법이 비정규적인 의료 영상 데이터셋에서 딥 CNN의 강건성을 향상시킬 수 있는가?
• RQ2 DeTraC는 흉부 X선 영상에서 코로나19를 진단하는 데 있어 표준 전이 학습 기법과 비교하여 어떻게 성능을 냈는가?
• RQ3 의료 영상에서의 데이터 불규칙성으로 인한 성능 저하를 DeTraC가 어느 정도 완화하는가?
• RQ4 클래스 분해를 전이 학습과 통합함으로써 코로나19 검출의 민감도와 특이도가 향상되는가?
• RQ5 DeTraC는 다양한 품질과 분포를 가진 다수의 소스에서 온 흉부 X선 영상 데이터셋에 일반화 가능한가?

주요 결과

• DeTraC-ResNet18는 정상, 코로나19, SARS를 포함한 6개 카테고리로 흉부 X선 영상 분류에서 95.12%의 정확도를 달성하였다.
• 모델은 높은 민감도 97.91%를 보이며, 양성 코로나19 환자에 대한 강력한 탐지 능력을 입증하였다.
• 특이도 91.87%는 데이터 불규칙성에도 불구하고 질병이 있는 경우와 없는 경우를 신뢰성 있게 구분할 수 있음을 확인하였다.
• 학습 곡선은 과적합 최소화와 함께 안정적인 훈련 및 테스트 성능를 보였으며, 이는 가중치 감쇠 0.0001의 효과를 뒷받침했다.
• AUC 곡선은 강력한 분류 능력을 확인하였으며, DeTraC 모델은 표준 ResNet18(92.5% 정확도)보다 뛰어난 성능을 보였다.
• DeTraC는 민감도에서 표준 ResNet18(65.01%)보다 뚜렷이 뛰어나 양성 사례 탐지 능력의 효과성을 입증하였다.