[논문 리뷰] Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation

Aman Swaraj, Karan Verma|arXiv (Cornell University)|2021. 12. 05.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 연구는 히스토그램 평준화와 U-Net 기반의 폐 세분화를 사용하여 흉부 X-ray 영상에서 코로나19를 분류하기 위한 딥러닝 프레임워크를 제안한다. 이는 영상 품질을 향상시키고 관련 영역에 집중하는 데 기여한다. 이 방법은 특징 추출에 VGG-16을 사용하고, 데이터셋 균형을 맞추기 위해 SMOTE를 활용하며, 분류에는 SVM을 사용하여 3개 클래스(정상, 폐렴, 코로나19)로 구성된 2,470장의 이미지 데이터셋에서 98%의 정확도를 달성한다.

ABSTRACT

Background and Objective: Artificial intelligence (AI) methods coupled with biomedical analysis has a critical role during pandemics as it helps to release the overwhelming pressure from healthcare systems and physicians. As the ongoing COVID-19 crisis worsens in countries having dense populations and inadequate testing kits like Brazil and India, radiological imaging can act as an important diagnostic tool to accurately classify covid-19 patients and prescribe the necessary treatment in due time. With this motivation, we present our study based on deep learning architecture for detecting covid-19 infected lungs using chest X-rays. Dataset: We collected a total of 2470 images for three different class labels, namely, healthy lungs, ordinary pneumonia, and covid-19 infected pneumonia, out of which 470 X-ray images belong to the covid-19 category. Methods: We first pre-process all the images using histogram equalization techniques and segment them using U-net architecture. VGG-16 network is then used for feature extraction from the pre-processed images which is further sampled by SMOTE oversampling technique to achieve a balanced dataset. Finally, the class-balanced features are classified using a support vector machine (SVM) classifier with 10-fold cross-validation and the accuracy is evaluated. Result and Conclusion: Our novel approach combining well-known pre-processing techniques, feature extraction methods, and dataset balancing method, lead us to an outstanding rate of recognition of 98% for COVID-19 images over a dataset of 2470 X-ray images. Our model is therefore fit to be utilized in healthcare facilities for screening purposes.

연구 동기 및 목표

• 코로나19 팬데믹 기간 동안 검사 능력이 제한된 지역에서 진단 부담을 경감하기 위해 AI 기반 걸러내기 도구를 개발하기 위해.
• 영상 전처리 및 관심 영역 집중을 통해 흉부 X-ray 영상에서 코로나19 탐지 성능을 향상시키기 위해.
• 더 강력한 모델 훈련을 위해 SMOTE 오버샘플링을 활용해 의료 영상 데이터셋의 클래스 불균형을 극복하기 위해.
• 히스토그램 평준화, U-Net 세분화, VGG-16을 활용한 전이 학습의 조합이 분류에 얼마나 효과적인지 평가하기 위해.
• 조기 코로나19 탐지에 적합한 신뢰할 수 있고 높은 정확도를 보이는 모델을 의료 기관에 구현 가능하도록 제공하기 위해.

제안 방법

• 영상 대trast 및 폐 구조의 가시성을 향상시키기 위해 히스토그램 평준화를 사용해 흉부 X-ray 영상을 전처리한다.
• 전처리된 X-ray 영상에서 폐 영역을 분할하기 위해 U-Net 아키텍처를 적용하여 관심 영역을 고립시킨다.
• 세분화된 폐 영역에서 계층적 패턴을 캡처하기 위해 사전 학습된 VGG-16을 사용해 특징 추출을 수행한다.
• 정상, 폐렴, 코로나19 3개 클래스 간의 균형을 맞추기 위해 SMOTE 오버샘플링을 구현한다.
• 10겹 교차 검증을 사용하여 균형 잡힌 고차원 특징에 기반한 서포트 벡터 머신(SVM) 분류기 모델을 훈련한다.
• 모델 성능을 평가하기 위해 10겹 교차 검증을 수행하여 안정성과 일반화 능력을 확보한다.

실험 결과

연구 질문

• RQ1 히스토그램 평준화와 폐 세분화는 흉부 X-ray 영상에서 코로나19 탐지 정확도를 향상시킬 수 있는가?
• RQ2 VGG-16 특징 추출과 SMOTE 기반 데이터 균형 조절의 조합은 저자원 의료 영상 분류에 얼마나 효과적인가?
• RQ3 제안된 파이프라인은 정상, 폐렴, 코로나19 사례를 구분하는 데 기존 기준 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 U-Net 세분화를 사용하면 잡음과 관련 없는 구조를 줄여 분류기 성능을 향상시킬 수 있는가?
• RQ5 실제 의료 영상 시나리오에서 흔히 볼 수 있는 소규모이자 불균형된 데이터셋에서도 제안된 모델이 높은 정확도를 달성할 수 있는가?

주요 결과

• 제안된 방법은 흉부 X-ray 영상에서 코로나19를 탐지하는 데 98%의 분류 정확도를 달성하였다.
• 히스토그램 평준화와 U-Net 세분화의 통합은 영상 품질 향상과 관심 영역 집중에 크게 기여하였다.
• SMOTE 오버샘플링은 특히 470장의 이미지로 이루어진 소수 클래스인 코로나19에 대해 클래스 불균형 문제를 효과적으로 완화하였다.
• 세분화된 폐 영역에서 특징 추출을 위해 VGG-16을 사용함으로써 분류 가능한 패턴을 강력하게 학습할 수 있었다.
• 10겹 교차 검증을 통해 모든 폴드에서 일관된 성능을 보였으며, 이는 모델의 안정성과 일반화 능력을 시사하였다.
• 이 모델은 임상 환경에서 조기에 정확하게 코로나19를 탐지하는 데 강력한 잠재력을 보이며 구현 가능하다.