[논문 리뷰] Classification of Human Monkeypox Disease Using Deep Learning Models and Attention Mechanisms

Md Enamul Haque, Md. Rayhan Ahmed외 2명|arXiv (Cornell University)|2022. 11. 21.

Poxvirus research and outbreaks인용 수 27

한 줄 요약

본 연구는 CBAM 주의(attention)와 함께 이미지 기반 원숭이두창 분류를 위한 심층 전이 학습 모델을 통합하고, Xception-CBAM-Dense를 최적 아키텍처로 확인했으며 검증 정확도는 83.89%이다.

ABSTRACT

As the world is still trying to rebuild from the destruction caused by the widespread reach of the COVID-19 virus, and the recent alarming surge of human monkeypox disease outbreaks in numerous countries threatens to become a new global pandemic too. Human monkeypox disease syndromes are quite similar to chickenpox, and measles classic symptoms, with very intricate differences such as skin blisters, which come in diverse forms. Various deep-learning methods have shown promising performances in the image-based diagnosis of COVID-19, tumor cell, and skin disease classification tasks. In this paper, we try to integrate deep transfer-learning-based methods, along with a convolutional block attention module (CBAM), to focus on the relevant portion of the feature maps to conduct an image-based classification of human monkeypox disease. We implement five deep-learning models, VGG19, Xception, DenseNet121, EfficientNetB3, and MobileNetV2, along with integrated channel and spatial attention mechanisms, and perform a comparative analysis among them. An architecture consisting of Xception-CBAM-Dense layers performed better than the other models at classifying human monkeypox and other diseases with a validation accuracy of 83.89%.

연구 동기 및 목표

• 이미지 기반 인간 원숭이두창 진단을 자극하고 이를 유사한 증후군과 구분한다.
• 전이 학습 모델을 이미지 데이터 기반 원숭이두창 분류에 대해 주의 메커니즘과 함께 평가한다.
• 통합 채널 및 공간 주의(attention)를 갖춘 다섯 모델을 비교하여 최적 아키텍처를 식별한다.
• CBAM-보강 네트워크가 원숭이두창 탐지 작업에서 어떤 성능을 나타내는지 평가한다.

제안 방법

• 다음 다섯 가지 심층 학습 모델을 구현한다: VGG19, Xception, DenseNet121, EfficientNetB3, 및 MobileNetV2.
• 주요 특징 맵에 집중하기 위해 Convolutional Block Attention Module (CBAM)을 통합한다.
• 이미지 데이터를 사용하여 원숭이두창 및 기타 질병에 대해 모델 간 비교 분석을 수행한다.
• 검증 정확도를 보고하고 가장 성능이 우수한 아키텍처를 식별한다.

실험 결과

연구 질문

• RQ1 CBAM을 통합하는 것이 여러 모델에서 이미지 기반 원숭이두창 분류 성능을 향상시키는가?
• RQ2 CBAM으로 보강된 어느 모델이 원숭이두창 탐지에서 가장 높은 검증 정확도를 보이는가?
• RQ3 Xception-CBAM-Dense 아키텍처는 다른 테스트 모델과 비교하여 어떻게 형성되는가?
• RQ4 원숭이두창에 대한 전이 학습 접근법의 전반적 효과는 유사한 피부 질환과 비교하여 어떤가?

주요 결과

• Xception-CBAM-Dense 아키텍처가 83.89%의 검증 정확도로 최상의 성능을 달성했다.
• 테스트된 모델 중 CBAM-보강 네트워크가 원숭이두창 분류를 위해 평가·비교되었다.
• 본 연구는 주의 메커니즘과 결합된 심층 전이 학습 접근법이 질병 이미지 분류에 대한 잠재력을 보여준다.