[논문 리뷰] Classification of COVID-19 X-ray Images Using a Combination of Deep and Handcrafted Features

Weihan Zhang, Bryan Pogorelsky외 2명|arXiv (Cornell University)|2021. 01. 19.

COVID-19 diagnosis using AI참고 문헌 29인용 수 13

한 줄 요약

이 논문은 X-ray 영상에서 코로나19, 폐렴 및 건강한 상태를 진단하기 위해 수작업으로 구한 특징(텍스처, GLCM, GLDM, FFT, 웨이블릿, LBP 변환에서 총 308개)과 사전 훈련된 VGG16 및 ResNet50 네트워크에서 추출한 딥 특징을 융합하는 하이브리드 분류 프레임워크를 제안한다. 융합된 특징은 SVM 분류기로 입력되어 98.8%의 정확도를 기록하였으며, 이는 단독으로 사용된 CNN(98.3%)과 수작업 특징만을 사용한 SVM(96.3%)를 모두 초월한다.

ABSTRACT

Coronavirus Disease 2019 (COVID-19) demonstrated the need for accurate and fast diagnosis methods for emergent viral diseases. Soon after the emergence of COVID-19, medical practitioners used X-ray and computed tomography (CT) images of patients' lungs to detect COVID-19. Machine learning methods are capable of improving the identification accuracy of COVID-19 in X-ray and CT images, delivering near real-time results, while alleviating the burden on medical practitioners. In this work, we demonstrate the efficacy of a support vector machine (SVM) classifier, trained with a combination of deep convolutional and handcrafted features extracted from X-ray chest scans. We use this combination of features to discriminate between healthy, common pneumonia, and COVID-19 patients. The performance of the combined feature approach is compared with a standard convolutional neural network (CNN) and the SVM trained with handcrafted features. We find that combining the features in our novel framework improves the performance of the classification task compared to the independent application of convolutional and handcrafted features. Specifically, we achieve an accuracy of 0.988 in the classification task with our combined approach compared to 0.963 and 0.983 accuracy for the handcrafted features with SVM and CNN respectively.

연구 동기 및 목표

• 수작업 특징과 딥 러닝 특징을 융합하여 X-ray 영상에서 코로나19 진단 정확도를 향상시키기 위해.
• 순수한 CNN 모델에서의 작은 데이터셋과 과적합 문제를 보완하기 위해 상호보완적인 특징 유형을 통합함으로써 이를 해결하기 위해.
• 수작업 특징와 딥 러닝 특징를 별도로 사용하는 것보다 융합 특징이 코로나19, 폐렴 및 건강한 상태의 세 가지 폐 질환을 분류하는 데서 더 뛰어난 성능을 보이는지 평가하기 위해.
• 의료 영상 분류에서 융합된 특징에 대해 SVM이 강력한 분류기로 효과적인지 검증하기 위해.

제안 방법

• 전처리 단계에서는 X-ray 영상을 224×224로 크기 조정하고, 국소 대비를 향상시키기 위해 적응형 히스토GRAM 균형 조정을 적용한다.
• 텍스처, GLCM, GLDM, FFT, 웨이블릿, LBP 총 6종의 변환 유형에 걸쳐 14개의 통계적 측정치(예: 평균, 표준편차, 엔트로피, 에너지)를 사용하여 총 308개의 수작업 특징을 추출한다.
• 사전 훈련된 VGG16 및 ResNet50 모델의 완전히 연결된 계층에서 딥 특징을 추출하며, ImageNet 가중치는 동결된 상태로 미세조정한다.
• 핵심 주성분 분석(Kernel PCA)을 통해 딥 특징의 차원을 1,000개로 감소시켜 수작업 특징의 수와 일치시키고 중복을 줄인다.
• 두 특징 소스에서 유래한 특징를 연결하여 선형 SVM 분류기에 입력하며, 일대다 전략을 사용한다.
• 모델은 균형 잡힌 5,143장의 X-ray 영상 데이터셋(코로나19 1,143장, 정상 2,000장, 폐렴 2,000장)을 사용하여 훈련 및 테스트하며, 훈련/테스트 비율은 80/20으로 설정된다.

실험 결과

연구 질문

• RQ1 수작업 특징와 딥 러닝 특징를 융합하는 것이, 각각을 별도로 사용하는 것보다 코로나19, 폐렴 및 건강한 X-ray 영상의 분류 정확도를 향상시키는가?
• RQ2 융합된 특징에 기반한 SVM 분류기의 성능은 X-ray 영상에서 폐 질환을 진단하는 데 있어 표준 CNN(VGG16, ResNet50)과 비교해 어떻게 되는가?
• RQ3 웨이블릿, GLCM, LBP 등 수작업 특징 그룹 중 어느 것이 분류 성능에 가장 크게 기여하는가?
• RQ4 제안된 하이브리드 모델은 기준 모델 대비 거짓 양성 및 거짓 음성 비율을 감소시키는가?

주요 결과

• VGG16 기반 딥 특징과 수작업 특징를 융합한 특징 SVM 모델은 98.8%의 정확도를 기록하였으며, 가장 뛰어난 단독 모델인 ResNet50(98.3%)를 뛰어넘었다.
• 수작업 특징만을 사용한 SVM는 96.3%의 정확도를 기록하였으며, 이는 모든 융합 모델에 의해 뛰어넘어졌다.
• 수작업 특징 그룹 중 웨이블릿 변환이 가장 높은 개별 정확도(94.0%)를 기록하였고, 이는 GLDM(90.0%)과 GLCM(89.6%)에 이어졌다.
• 모든 융합 모델의 혼동 행렬에서는 거짓 음성률(0.41%)과 거짓 양성률(0.13%)이 매우 낮아 높은 신뢰성을 보였다.
• VGG16 + 수작업 특징 융합 모델의 F1 점수는 0.989에 도달하여 세 클래스 모두에서 정밀도와 재현율의 균형이 매우 우수함을 나타냈다.
• ResNet50 기반 융합 모델은 98.7%의 정확도와 0.988의 F1 점수를 기록하여 다양한 백본 네트워크에서도 일관된 높은 성능을 보임을 확인하였다.