[논문 리뷰] COVID-19 Detection in Chest X-Ray Images using a New Channel Boosted CNN

Saddam Hussain Khan, Anabia Sohail외 1명|arXiv (Cornell University)|2020. 12. 08.

COVID-19 diagnosis using AI인용 수 6

한 줄 요약

이 논문은 흩어진 변환-병합(STM) 블록을 사용하여 영역, 가장자리, 질감 특징을 포착하고 전이 학습 기반 보조 채널을 결합함으로써 흉부 X선에서 코로나19 감지에 대한 특징 학습을 향상시키는 새로운 채널 강화 CNN 아키텍처인 CB-STM-RENet을 제안한다. 이 방법은 과도한 유사도로 인해 도전적인 것으로 평가되는 CoV-NonCoV-15k 데이터셋에서 97%의 검출 정확도와 93%의 정밀도를 기록하여 기존 기법들을 능가한다.

ABSTRACT

COVID-19 is a highly contagious respiratory infection that has affected a large population across the world and continues with its devastating consequences. It is imperative to detect COVID-19 at the earliest to limit the span of infection. In this work, a new classification technique CB-STM-RENet based on deep Convolutional Neural Network (CNN) and Channel Boosting is proposed for the screening of COVID-19 in chest X-Rays. In this connection, to learn the COVID-19 specific radiographic patterns, a new convolution block based on split-transform-merge (STM) is developed. This new block systematically incorporates region and edge-based operations at each branch to capture the diverse set of features at various levels, especially those related to region homogeneity, textural variations, and boundaries of the infected region. The learning and discrimination capability of the proposed CNN architecture is enhanced by exploiting the Channel Boosting idea that concatenates the auxiliary channels along with the original channels. The auxiliary channels are generated from the pre-trained CNNs using Transfer Learning. The effectiveness of the proposed technique CB-STM-RENet is evaluated on three different datasets of chest X-Rays namely CoV-Healthy-6k, CoV-NonCoV-10k, and CoV-NonCoV-15k. The performance comparison of the proposed CB-STM-RENet with the existing techniques exhibits high performance both in discriminating COVID-19 chest infections from Healthy, as well as, other types of chest infections. CB-STM-RENet provides the highest performance on all these three datasets; especially on the stringent CoV-NonCoV-15k dataset. The good detection rate (97%), and high precision (93%) of the proposed technique suggest that it can be adapted for the diagnosis of COVID-19 infected patients. The test code is available at https://github.com/PRLAB21/COVID-19-Detection-System-using-Chest-X-Ray-Images.

연구 동기 및 목표

• 코로나19, 건강한 상태 및 비코로나19 흉부 X선 영상 간을 정확하게 구별할 수 있는 딥 러닝 모델을 개발하는 것.
• 새로운 분할-변환-병합(STM) 합성곱 블록을 통해 영역, 가장자리, 질감 정보를 통합함으로써 특징 표현을 향상시키는 것.
• 전이 학습을 통해 생성된 보조 채널을 도입하여 모델의 분류 능력을 향상시키는 '채널 강화' 기법을 적용하는 것.
• 다양한 흉부 X선 데이터셋, 특히 엄격한 테스트 세트를 포함하여 모델의 강건성과 일반화 능력을 검증하는 것.

제안 방법

• 각 브랜치가 영역 균일성, 가장자리 검출, 질감 변화에 집중하도록 병렬 처리하는 새로운 분할-변환-병합(STM) 합성곱 블록을 설계하였다.
• STM 블록은 공간 변환과 특징 융합을 적용하여 X선에서 미세한 코로나19 패atters를 식별하는 데 핵심적인 다중 수준 표현을 추출한다.
• 주 네트워크의 특징 맵과 사전 훈련된 CNN(예: ResNet)에서 유도된 보조 특징 맵을 연결함으로써 채널 강화를 구현하였다.
• 전이 학습을 사용하여 보조 채널을 생성하였으며, 제한된 레이블 데이터로도 특징 학습을 향상시키기 위해 사전 훈련된 가중치를 활용하였다.
• 최종 아키텍처인 CB-STM-RENet은 CoV-Healthy-6k, CoV-NonCoV-10k, CoV-NonCoV-15k의 세 개의 공개 데이터셋에서 엔드 투 엔드로 훈련되었다.
• 모델 평가에는 모든 데이터셋에서 성능을 평가하기 위해 정확도, 정밀도, F1 점수와 같은 표준 지표가 사용되었다.

실험 결과

연구 질문

• RQ1 분할-변환-병합 블록을 갖춘 새로운 CNN 아키텍처가 흉부 X선에서 코로나19 특유의 영역, 가장자리, 질감 특징을 효과적으로 학습할 수 있는가?
• RQ2 전이 학습 기반 보조 채널 통합이 자원이 제한된 의료 영상 분류 작업에서 성능 향상에 뚜렷한 기여를 하는가?
• RQ3 CB-STM-RENet은 다양한 실제 흉부 X선 데이터셋, 특히 엄격한 테스트 세트에서 최신 기술 모델들과 비교해 어떻게 성능을 내는가?
• RQ4 채널 강화 메커니즘이 코로나19, 비코로나19 및 건강한 케이스 간의 특징 분류 능력을 어느 정도 향상시키는가?

주요 결과

• CB-STM-RENet은 코로나19와 비코로나19 간 유사도가 높아 도전적인 것으로 평가되는 CoV-NonCoV-15k 데이터셋에서 97%의 검출 정확도를 기록하였다.
• CoV-NonCoV-15k 데이터셋에서 정밀도 93%를 기록하여 양성 케이스 예측의 높은 신뢰성을 보였다.
• 성능 향상은 특히 CoV-NonCoV-15k 데이터셋에서 두드러지게 나타났으며, 이는 정확도와 정밀도 모두에서 기존 기법들을 능가하였다.
• 전이 학습 기반 보조 채널 통합이 모델의 특징 학습 능력과 분류 능력을 크게 향상시켰다.