[논문 리뷰] Coronavirus (COVID-19) Classification using CT Images by Machine Learning Methods

Mücahid Barstuğan, Umut Özkaya외 1명|arXiv (Cornell University)|2020. 03. 20.

COVID-19 diagnosis using AI참고 문헌 14인용 수 334

한 줄 요약

이 논문은 전통적 특징 추출 방법과 SVM 분류기를 사용해 복부 CT 이미지 패치에서 COVID-19의 초기 검출을 평가하고, 여러 교차 검증 방식을 비교합니다. GLSZM 특징으로 10-fold CV에서 99.68% 정확도라는 최상의 결과를 달성했습니다.

ABSTRACT

This study presents early phase detection of Coronavirus (COVID-19), which is named by World Health Organization (WHO), by machine learning methods. The detection process was implemented on abdominal Computed Tomography (CT) images. The expert radiologists detected from CT images that COVID-19 shows different behaviours from other viral pneumonia. Therefore, the clinical experts specify that COVİD-19 virus needs to be diagnosed in early phase. For detection of the COVID-19, four different datasets were formed by taking patches sized as 16x16, 32x32, 48x48, 64x64 from 150 CT images. The feature extraction process was applied to patches to increase the classification performance. Grey Level Co-occurrence Matrix (GLCM), Local Directional Pattern (LDP), Grey Level Run Length Matrix (GLRLM), Grey-Level Size Zone Matrix (GLSZM), and Discrete Wavelet Transform (DWT) algorithms were used as feature extraction methods. Support Vector Machines (SVM) classified the extracted features. 2-fold, 5-fold and 10-fold cross-validations were implemented during the classification process. Sensitivity, specificity, accuracy, precision, and F-score metrics were used to evaluate the classification performance. The best classification accuracy was obtained as 99.68% with 10-fold cross-validation and GLSZM feature extraction method.

연구 동기 및 목표

• CT 이미지를 활용한 조기 COVID-19 검출 및 머신러닝의 동기를 부여합니다.
• CT 이미지에서 패치 기반 특징 추출 파이프라인을 형성합니다.
• 다양한 특징 추출기와 교차 검증 방식을 평가하여 분류 성능을 판단합니다.
• 다른 패치 크기와 특징 세트 간의 성능을 비교하여 최상 수행 구성을 식별합니다.

제안 방법

• CT 이미지 패치가 16x16, 32x32, 48x48, 64x64 크기로 150개의 CT 이미지에서 추출된 네 가지 데이터세트를 구성합니다.
• 패치에 GLSZM, GLCM, LDP, GLRLM, DWT를 포함한 특징 추출 방법을 적용합니다.
• 추출된 특징을 SVM으로 분류합니다.
• 2-fold, 5-fold, 10-fold 교차 검증을 통해 평가합니다.
• 민감도, 특이도, 정확도, 정밀도, F-스코어 등 지표로 성능을 평가합니다.

실험 결과

연구 질문

• RQ1 선택된 질감 및 변환 특징을 가진 CT 이미지 패치가 SVM을 사용해 COVID-19를 다른 바이러스성 폐렴과 구별할 수 있습니까?
• RQ2 어떤 패치 크기와 어떤 특징 추출 방법이 교차 검증 하에서 가장 높은 분류 정확도를 보입니까?
• RQ3 다른 교차 검증 방식이 CT 패치에서 COVID-19 판별에 대한 보고된 성능 지표에 어떤 영향을 줍니까?

주요 결과

• 최고 분류 정확도는 10-fold 교차 검증에서 GLSZM 특징을 사용했을 때 99.68%로 보고되었습니다.
• 실험 전반에 걸쳐 GLSZM이 이 작업의 최고 성능 특징 추출 방법입니다.
• 교차 검증 방식(2-fold, 5-fold, 10-fold)은 결과의 견고성을 검증하는 데 사용됩니다.
• 이 연구는 COVID-19와 다른 바이러스성 폐렴 간의 구별을 강화하기 위해 CT 패치에서 다양한 질감과 변환 특징을 사용합니다.