[논문 리뷰] Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images

Zeba Ghaffar, Pir Masoom Shah외 6명|arXiv (Cornell University)|2022. 07. 01.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 연구는 콩고-19를 흉부 X-ray 영상에서 분류하기 위해 최신의 딥 컨volution 신경망(CNN) 10종을 평가하며, MobileNet과 EfficientNet을 사용해 평균 정확도가 최대 95%에 이를 수 있음을 확인하였다. 모델은 Grad-CAM 시각화를 통해 해석 가능성이 높아져, 자동 진단에서 임상적 신뢰도와 해석 가능성 향상에 기여한다.

ABSTRACT

The ongoing COVID-19 pandemic has already taken millions of lives and damaged economies across the globe. Most COVID-19 deaths and economic losses are reported from densely crowded cities. It is comprehensible that the effective control and prevention of epidemic/pandemic infectious diseases is vital. According to WHO, testing and diagnosis is the best strategy to control pandemics. Scientists worldwide are attempting to develop various innovative and cost-efficient methods to speed up the testing process. This paper comprehensively evaluates the applicability of the recent top ten state-of-the-art Deep Convolutional Neural Networks (CNNs) for automatically detecting COVID-19 infection using chest X-ray images. Moreover, it provides a comparative analysis of these models in terms of accuracy. This study identifies the effective methodologies to control and prevent infectious respiratory diseases. Our trained models have demonstrated outstanding results in classifying the COVID-19 infected chest x-rays. In particular, our trained models MobileNet, EfficentNet, and InceptionV3 achieved a classification average accuracy of 95\%, 95\%, and 94\% test set for COVID-19 class classification, respectively. Thus, it can be beneficial for clinical practitioners and radiologists to speed up the testing, detection, and follow-up of COVID-19 cases.

연구 동기 및 목표

• 흉부 X-ray 영상에서 코로나19를 진단하는 데 있어 최상위 10종의 딥 컨volution 신경망(CNN)의 효과성을 평가하는 것.
• 코로나19, 정상, 폐렴 케이스에 대해 분류 정확도 측면에서 모델 성능을 비교하는 것.
• 임상적 검증과 신뢰도 향상을 위해 Grad-CAM 시각화를 통한 모델의 해석 가능성 향상.
• 기존 RT-PCR 검사 대비 빠르고 비용 효율적인 조기 코로나19 진단을 위한 실용적 대안 제공.
• 빠른 진단과 환자 추적을 위해 방사선과 전문의 및 임상의를 지원하는 AI 보조 도구 제공.

제안 방법

• MobileNet, EfficientNet, InceptionV3, DenseNet, ResNet, NASNet 등 최신 딥 컨volution 신경망 아키텍처 10종을 흉부 X-ray 데이터셋에 대해 훈련.
• ImageNet 사전 훈련 가중치를 활용한 전이 학습을 통해 이진(코로나19 대비 정상/폐렴) 및 다중 클래스 분류 작업에 대해 모델을 미세 조정.
• 일반화 능력 향상과 과적합 방지를 위해 데이터 증강 기법을 적용.
• 예측에 영향을 준 X-ray 영역을 시각화하기 위해 Grad-CAM(기울기 클래스 활성화 맵핑)을 적용.
• 보류된 테스트 세트에서 정확도, 정밀도, 재현율, F1 점수 등의 표준 지표를 사용해 모델 성능 평가.
• 정확한 및 잘못된 분류 사례에 대해 Grad-CAM 맵을 시각화하여 모델의 추론 방식과 신뢰도를 평가하는 정성적 분석 수행.

실험 결과

연구 질문

• RQ1 어느 최신 딥 러닝 모델이 흉부 X-ray 영상에서 코로나19를 진단하는 데 가장 높은 분류 정확도를 달성하는가?
• RQ2 다양한 CNN 아키텍처가 코로나19, 정상, 폐렴 등 다중 클래스에서 정밀도 및 재현율 측면에서 어떻게 성능을 내는가?
• RQ3 Grad-CAM 해석 가능성은 의료 전문가들이 AI 기반 진단에 대해 얼마나 더 신뢰할 수 있게 하는가?
• RQ4 딥 러닝 모델은 폐의 특정 영역에서 임상 전문 지식과 관련된 잠재적 병리적 패턴을 어떻게 탐지할 수 있는가?
• RQ5 이러한 모델의 실패 유형은 무엇이며, 주의 맵은 잘못된 분류 패턴을 어떻게 드러내는가?

주요 결과

• MobileNet과 EfficientNet가 흉부 X-ray 영상에서 코로나19를 분류하는 데 평균 테스트 정확도 95%를 기록하여 다른 모델들을 압도적으로 앞섰다.
• InceptionV3는 깊은 아키텍처를 지녔음에도 불구하고 평균 테스트 정확도 94%를 기록하여 뛰어난 성능을 보였다.
• Grad-CAM 시각화 결과, 모델이 코로나19 사례를 분류할 때 폐 영역에 집중하고 있음을 확인하여 방사선 영상 전문 지식과 일치함을 입증하였다.
• 정상 X-ray의 경우, 모델은 주로 갈비뼈 구조에 주목하여 기대되는解剖학적 특징과 일치함을 확인하였다.
• 폐렴 사례에서는 폐의 상부 림프에 주로 주목하여 폐렴 감염의 알려진 영상 패턴과 일치함을 확인하였다.
• 잘못 분류된 사례에서는 주의 맵이 비폐렴 또는 비특이적인 영역에 집중하는 경우가 있어, 모호한 케이스에서 일반화 능력에 한계가 있음을 시사하였다.