[논문 리뷰] COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning

Arman Haghanifar, Mahdiyar Molahasani Majdabadi외 3명|arXiv (Cornell University)|2020. 06. 16.

COVID-19 diagnosis using AI인용 수 32

한 줄 요약

COVID-CXNet은lung-segmentation 및 영상 향상을 통해 COVID-19 CXR 데이터 세트에서 CheXNet을 미세조정하여 이진 분류 정확도 및 Grad-CAM 히트맵을 통한 정확한 폐렴 위치화를 달성한다.

ABSTRACT

One of the primary clinical observations for screening the infectious by the novel coronavirus is capturing a chest x-ray image. In most of the patients, a chest x-ray contains abnormalities, such as consolidation, which are the results of COVID-19 viral pneumonia. In this study, research is conducted on efficiently detecting imaging features of this type of pneumonia using deep convolutional neural networks in a large dataset. It is demonstrated that simple models, alongside the majority of pretrained networks in the literature, focus on irrelevant features for decision-making. In this paper, numerous chest x-ray images from various sources are collected, and the largest publicly accessible dataset is prepared. Finally, using the transfer learning paradigm, the well-known CheXNet model is utilized for developing COVID-CXNet. This powerful model is capable of detecting the novel coronavirus pneumonia based on relevant and meaningful features with precise localization. COVID-CXNet is a step towards a fully automated and robust COVID-19 detection system.

연구 동기 및 목표

• 여러 소스로부터 가장 큰 공공 COVID-19 CXR 데이터셋을 수집하고 선별하여 견고한 탐지를 가능하게 한다.
• CXR 데이터에서 COVID-19 탐지를 위해 사전 학습된 ImageNet 모델 및 CheXNet 기반 백본을 포함한 여러 CNN 아키텍처를 평가한다.
• 모델의 주의를 가이드하기 위해 폐 분할(lung segmentation)과 영상 향상을 사용하여 폐렴 소견의 위치화를 개선한다.
• Grad-CAM 및 LIME 시각화를 통해 결정 영역을 확인하여 모델 해석 가능성을 평가한다.
• COVID-19 폐렴을 비 COVID 폐렴 및 정상 사례와 구분하기 위한 다중 클래스 및 계층적 분류를 탐구한다.

제안 방법

• 여러 소스로부터 COVID-19 및 정상 이미지를 포함하는 대규모 공공 전면 CXR 데이터셋을 구축한다.
• 정규화, 320x320으로의 리사이즈, 확대/축소 및 밝기 포함 등 광범위한 증강으로 전처리한다.
• U-Net 기반 분할을 적용하여 폐 ROI를 추출하고 ROI 자른 입력을 모델에 사용한다.
• 드롭아웃 및 라벨 스무딩을 사용하여 COVID-19 CXR에서 CheXNet 유래 DenseNet 백본(DenseNet-121)을 미세조정한다.
• 영상 향상(CLAHE, BEASF) 및 폐 분할을 도입하여 이상 소견의 위치화를 개선한다.
• 기본 CNN, ImageNet 사전 학습 네트워크(DenseNet, ResNet) 및 CheXNet 기반 백본을 실험하고, 정확도, 양성 클래스의 F1 점수, 그리고 Grad-CAM/LIME 시각화를 사용하여 평가한다.

실험 결과

연구 질문

• RQ1 CheXNet 기반 백본이 COVID-19 CXR 데이터에 대해 전면 CXRs의 COVID-19 폐렴을 정확하게 탐지할 수 있는가?
• RQ2 폐 분할 ROI 입력 및 영상 향상이 비분할 입력에 비해 위치화 및 분류 성능을 향상시키는가?
• RQ3 사전 학습된 ImageNet 모델과 CheXNet 기반 모델은 COVID-19 CXR 탐지에서 정확도와 해석 가능성 측면에서 어떻게 비교되는가?
• RQ4 Normal, CAP, CP 구별을 위한 계층적 및 다중 클래스 설정이 일반 정상, 비-COVID 폐렴, COVID-19 폐렴 간 구별에 얼마나 효과적인가?

주요 결과

• COVID-CXNet은 99.04% 정확도와 0.96 F1를 이진 COVID-19 vs Normal 분류에서 달성한다.
• 폐 분할(ROI) 적용은 Grad-CAM 히트맵을 통한 폐렴 소견의 위치화를 비분할 입력에 비해 향상시킨다.
• 기본 모델 및 ImageNet 사전 학습 네트워크와 비교하여 CheXNet 기반 COVID-CXNet이 위치화 및 경쟁력 있는 정확도를 제공한다.
• 다중 클래스(Normal, CAP, CP) 분류는 81.04%의 정확도와 CAP의 F-스코어 0.85, CP의 0.76을 달성한다.
• 계층적 다중 클래스 접근은 전체 정확도를 87.21%로 향상시키며 CP의 F-스코어 0.92, CAP의 0.85를 기록한다.
• 시각화 분석(Grad-CAM)은 모델이 관련 폐 부위에 초점을 맞추는 경향을 보이나 전처리 없이 텍스트 영역에 간혹 주의가 집중될 수 있음을 시사한다.