[논문 리뷰] COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images

Linda Wang, Alexander Wong|arXiv (Cornell University)|2020. 03. 22.

COVID-19 diagnosis using AI참고 문헌 48인용 수 267

한 줄 요약

COVID-Net은 흉부 X-선 이미지를 이용해 COVID-19를 탐지하기 위한 오픈 소스 맞춤 CNN으로, 인간–기계 설계 과정으로 구축되었고 COVIDx에서 평가되었으며, 설명 가능성 감사가 그 결정 근거를 검증합니다.

ABSTRACT

The COVID-19 pandemic continues to have a devastating effect on the health and well-being of the global population. A critical step in the fight against COVID-19 is effective screening of infected patients, with one of the key screening approaches being radiology examination using chest radiography. Motivated by this and inspired by the open source efforts of the research community, in this study we introduce COVID-Net, a deep convolutional neural network design tailored for the detection of COVID-19 cases from chest X-ray (CXR) images that is open source and available to the general public. To the best of the authors' knowledge, COVID-Net is one of the first open source network designs for COVID-19 detection from CXR images at the time of initial release. We also introduce COVIDx, an open access benchmark dataset that we generated comprising of 13,975 CXR images across 13,870 patient patient cases, with the largest number of publicly available COVID-19 positive cases to the best of the authors' knowledge. Furthermore, we investigate how COVID-Net makes predictions using an explainability method in an attempt to not only gain deeper insights into critical factors associated with COVID cases, which can aid clinicians in improved screening, but also audit COVID-Net in a responsible and transparent manner to validate that it is making decisions based on relevant information from the CXR images. By no means a production-ready solution, the hope is that the open access COVID-Net, along with the description on constructing the open source COVIDx dataset, will be leveraged and build upon by both researchers and citizen data scientists alike to accelerate the development of highly accurate yet practical deep learning solutions for detecting COVID-19 cases and accelerate treatment of those who need it the most.

연구 동기 및 목표

• 자원 제약 환경에서 흉부 X선 이미지를 사용한 COVID-19의 빠르고 접근 가능한 선별을 촉진한다.
• CXR 이미지를 사용해 COVID-19 탐지를 위해 설계된 맞춤형 CNN인 COVID-Net을 도입한다.
• COVIDx를 만들어 COVID-19 연구를 위한 대규모 오픈 액세스 CXR 벤치마크 데이터세트를 제공한다.
• 모델 결정의 감사와 임상 신뢰도 향상을 위한 설명 가능성 분석을 가능하게 한다.

제안 방법

• 세 가지 예측(정상, 비-COVID19 감염, COVID-19)에 대한 초기 인간 설계 잔차 프로토타입을 개발한다.
• 제약으로 COVID-19 민감도 ≥ 80% 및 PPV ≥ 80%를 가지는 기계 주도 설계 탐색(생성 합성)을 사용한다.
• 가벼운 프로젝션–확장–프로젝션(PEPX) 블록과 선택적 장거리 연결을 갖춘 COVID-Net을 구성한다.
• ImageNet에서 프리트레이닝하고 COVIDx에서 Adam으로 학습하며 학습률 2e-4, 22 에포크, 배치 크기 64로 학습하고 데이터 증강 및 배치 재균형을 추가한다.
• GSInquire 설명 가능성으로 모델 결정 감사를 수행하여 관련 폐 영역에 의존하는지 여부를 확인한다.

실험 결과

연구 질문

• RQ1 COVID-Net이 COVIDx 데이터셋에서 흉부 X-선 이미지를 이용한 COVID-19 탐지에 대해 높은 민감도와 PPV를 달성할 수 있는가?
• RQ2 머신 주도 탐색의 설계 선택(PEPX 블록, 선택적 연결, 설계 다양성)이 표준 아키텍처 대비 성능과 효율성을 개선하는가?
• RQ3 설명 가능성(GSInquire)이 COVID-Net 예측의 진정한 요인을 얼마나 잘 드러내고 신뢰할 수 있는 결정을 검증하는가?

주요 결과

• COVID-Net은 COVIDx에서 93.3%의 테스트 정확도를 달성한다.
• COVID-Net은 COVID-19에 대해 91.0%의 민감도와 COVID-19에 대한 98.9%의 PPV를 달성한다.
• COVID-Net은 약 11.75백만 매개변수와 약 7.50 G MACs를 사용하며 VGG-19 및 ResNet-50에 비해 훨씬 낮은 복잡성을 보인다.
• COVID-Net은 비교에서 VGG-19 및 ResNet-50보다 COVID-19 민감도와 PPV가 더 높다.
• GSInquire 설명 가능성은 COVID-Net이 탐지에 대해 폐 영역에 의존한다는 것을 보여 주어 신뢰할 수 있는 추론을 뒷받침한다.