[논문 리뷰] COVID-19 Classification Using Deep Learning Two-Stage Approach

Mostapha Alsaidi, Ali Saleem Altaher외 3명|arXiv (Cornell University)|2022. 11. 28.

COVID-19 diagnosis using AI인용 수 6

한 줄 요약

이 논문은 흉부 X선 영상을 코로나19, 정상, 투명도, 폐렴의 네 가지 범주로 분류하기 위한 이단계 딥러닝 접근법(Covid-TSC)을 제안한다. 20,000장 이상의 이미지 데이터셋을 사용하여 VGG16과 VGG19를 활용한 전이학습을 통해, 미세조정된 VGG16을 사용한 일회성 분류가 95%의 정확도를 기록하며, 이는 이단계 방법보다 뛰어난 성능을 보였다. 이는 이단계 설계가 예상한 바와 같이 성능 향상을 이루지 못했음을 시사한다.

ABSTRACT

In this paper, deep-learning-based approaches namely fine-tuning of pretrained convolutional neural networks (VGG16 and VGG19), and end-to-end training of a developed CNN model, have been used in order to classify X-Ray images into four different classes that include COVID-19, normal, opacity and pneumonia cases. A dataset containing more than 20,000 X-ray scans was retrieved from Kaggle and used in this experiment. A two-stage classification approach was implemented to be compared to the one-shot classification approach. Our hypothesis was that a two-stage model will be able to achieve better performance than a one-shot model. Our results show otherwise as VGG16 achieved 95% accuracy using one-shot approach over 5-fold of training. Future work will focus on a more robust implementation of the two-stage classification model Covid-TSC. The main improvement will be allowing data to flow from the output of stage-1 to the input of stage-2, where stage-1 and stage-2 models are VGG16 models fine-tuned on the Covid-19 dataset.

연구 동기 및 목표

• 흉부 X선 영상을 코로나19, 정상, 투명도, 폐렴의 네 가지 질병 범주로 분류하기 위한 이단계 딥러닝 모델(Covid-TSC)을 개발하고 평가하는 것.
• 전이학습을 활용한 일회성 분류 방법과 이단계 접근법의 성능를 비교하는 것.
• 첫 번째 단계에서 정상과 질병을 구분하고, 두 번째 단계에서 특정 질병을 식별하는 방식으로 분류를 분리하는 것이 모델의 정확도와 강건성 향상에 기여하는지 조사하는 것.
• VGG16과 VGG19를 미세조정 및 엔드 투 엔드 학습을 통해 X선 영상에서의 자동 코로나19 진단 가능성을 평가하는 것.
• 현재 이단계 설계의 한계를 규명하고未래 구현을 위한 향상 방안을 제안하는 것.

제안 방법

• 이단계 분류 모델(Covid-TSC)을 설계하였으며, 1단계는 정상과 질병 사례를 구분하고, 2단계는 질병 유형(COVID-19, 투명도, 폐렴)을 분류한다.
• 20,000장 이상의 X선 스캔을 포함한 COVID-Radiology 데이터셋에서 사전 훈련된 VGG16과 VGG19 모델을 사용한 전이학습을 적용하였다.
• 엔드 투 엔드로 훈련된 CNN 모델도 개발하여 전이학습 모델들과 비교하였다.
• 모델 성능 평가를 위해 오차 없는 교차검증(5배)을 사용하였으며, 정확도, 정밀도, 재현율, F1 점수 등의 지표를 사용하였다.
• 모델의 행동과 오류 패턴을 분석하기 위해 두 단계 모두에 대해 혼동 행렬과 분류 보고서를 생성하였다.
• 훈련 시간과 성능의 일관성과 비교 가능성을 확보하기 위해 실험 전반에 걸쳐 하드웨어 자원(CPU, GPU, RAM)을 표준화하였다.

실험 결과

연구 질문

• RQ1 이단계 딥러닝 접근법이 네 클래스(COVID-19, 정상, 투명도, 폐렴)의 X선 영상 분류 정확도를 일회성 접근법보다 향상시키는가?
• RQ2 VGG16과 VGG19를 사용한 전이학습이 제한된 의료 X선 영상 데이터셋에서 고성능 분류를 달성할 수 있는가?
• RQ3 모델 아키텍처와 훈련 전략(fine-tuning 대비 엔드 투 엔드)이 코로나19 검출 정확도에 어떤 영향을 미치는가?
• RQ4 왜 이단계 모델은 일회성 모델보다 성능이 열등했으며, 이러한 결과를 설명할 수 있는 설계적 결함는 무엇인가?
• RQ5 이단계 모델을 어떻게 재구성하여 1단계의 특징을 2단계로 전달할 수 있도록 할 수 있는가?

주요 결과

• 미세조정된 VGG16을 사용한 일회성 분류가 오차 없는 교차검증에서 95%의 정확도를 기록하며, 이는 이단계 접근법보다 뚜렷하게 뛰어난 성능을 보였다.
• VGG16은 코로나19 클래스에 대해 재현율 0.99를 보이며 실제 코로나19 환자의 99%를 정확히 식별했다.
• 코로나19 클래스의 정밀도는 0.98이었으며, 이는 비코로나19 영상의 2%가 잘못 긍정으로 분류되었음을 의미한다.
• 이단계 모델의 2단계는 투명도와 폐렴에 대해 각각 100%의 재현율을 기록하였고, 코로나19에 대해서는 98%의 재현율을 기록하여 이들 클래스에 대한 강력한 탐지 능력을 보였다.
• 강한 재현율에도 불구하고, 이단계 모델(Covid-TSC)은 동일한 데이터셋에서 82.4%의 정확도를 기록하였으며, 이는 VGG16의 95.2% 정확도에 못 미쳤다.
• 이단계 모델은 VGG16보다 훈련 시간이 짧아(2.10초 대비 3.14초) 효율적이었지만, 이는 성능 향상으로 이어지지 않았다.