[논문 리뷰] COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from Radiographs

Muhammad Ali Farooq, Abdul Hafeez|arXiv (Cornell University)|2020. 03. 31.

COVID-19 diagnosis using AI참고 문헌 13인용 수 438

한 줄 요약

논문은 COVIDResNet을 제시합니다. 오픈소스의 3-step 미세조정을 통해 pre-trained ResNet-50을 COVID-19, 다른 폐렴, 및 정상 흉부 방사선 사진을 분류하고, progressive resizing과 discriminative learning rates를 사용하여 COVIDx 데이터셋에서 최첨단 정확도에 도달합니다.

ABSTRACT

In the last few months, the novel COVID19 pandemic has spread all over the world. Due to its easy transmission, developing techniques to accurately and easily identify the presence of COVID19 and distinguish it from other forms of flu and pneumonia is crucial. Recent research has shown that the chest Xrays of patients suffering from COVID19 depicts certain abnormalities in the radiography. However, those approaches are closed source and not made available to the research community for re-producibility and gaining deeper insight. The goal of this work is to build open source and open access datasets and present an accurate Convolutional Neural Network framework for differentiating COVID19 cases from other pneumonia cases. Our work utilizes state of the art training techniques including progressive resizing, cyclical learning rate finding and discriminative learning rates to training fast and accurate residual neural networks. Using these techniques, we showed the state of the art results on the open-access COVID-19 dataset. This work presents a 3-step technique to fine-tune a pre-trained ResNet-50 architecture to improve model performance and reduce training time. We call it COVIDResNet. This is achieved through progressively re-sizing of input images to 128x128x3, 224x224x3, and 229x229x3 pixels and fine-tuning the network at each stage. This approach along with the automatic learning rate selection enabled us to achieve the state of the art accuracy of 96.23% (on all the classes) on the COVIDx dataset with only 41 epochs. This work presented a computationally efficient and highly accurate model for multi-class classification of three different infection types from along with Normal individuals. This model can help in the early screening of COVID19 cases and help reduce the burden on healthcare systems.

연구 동기 및 목표

• 흉부 X선에서 COVID-19를 정확하고 쉽게 선별해야 할 필요성을 동기화합니다.
• COVID-19를 다른 폐렴 및 정상 케이스와 구분하는 재현 가능한 오픈소스 데이터셋과 모델을 제공합니다.
• 성능을 향상시키고 학습 시간을 줄이기 위한 3단계 미세조정 전략을 개발합니다.

제안 방법

• 프리-트레인된 ResNet-50 백본을 사용하고 입력의 3단계 progressive resizing으로 128x128x3, 224x224x3, 229x229x3로 미세조정합니다.
• 진행형 리사이징과 자동 학습률 선택을 결합하여 훈련을 최적화합니다.
• 미세조정 중 계층별 업데이트를 조정하기 위해 discriminative learning rates를 구현합니다.
• 세 가지 감염 유형과 정상 케이스의 다중 클래스 분류를 위해 오픈 액세스 COVIDx 데이터세트를 활용합니다.
• 제한된 에폭으로도 계산 효율성과 높은 정확도를 목표로 합니다.

실험 결과

연구 질문

• RQ1 ResNet-50 기반 아키텍처가 흉부 방사선에서 COVID-19를 다른 폐렴 및 정상 케이스와 구분할 수 있는가?
• RQ2 progressive resizing과 discriminative learning rates가 COVIDx 데이터셋에서 학습 효율성과 정확성을 향상시키는가?
• RQ3 radiographs에서 다중 클래스 COVID-19 선별을 위해 사전 학습된 네트워크를 미세조정할 때 달성 가능한 정확도 및 학습 효율성은 어느 정도인가?

주요 결과

• COVIDx 데이터셋에서 모든 클래스에 대해 최첨단 정확도 96.23%를 달성합니다.
• 보고된 성능에 도달하기 위해 41번의 학습 에폭을 사용합니다.
• 감염 유형과 정상 케이스의 다중 클래스 분류에 대해 계산 효율적인 방법을 입증합니다.
• 입력을 점진적으로 조정하고 각 단계에서 네트워크를 조정하는 3단계 미세조정 체계를 제공합니다.
• 재현성과 커뮤니티 사용을 위해 오픈소스 및 오픈액세스 데이터와 모델을 강조합니다.