[논문 리뷰] COVIDLite: A depth-wise separable deep neural network with white balance and CLAHE for detection of COVID-19

Manu Siddhartha, Avik Santra|arXiv (Cornell University)|2020. 06. 18.

COVID-19 diagnosis using AI인용 수 36

한 줄 요약

COVIDLite는 흰색 밸런스와 CLAHE 전처리를 깊이 분리 가능한 CNN과 결합하여 흉부 X선에서 COVID-19를 감지하며 높은 정확도와 경량 배포 적합성을 달성합니다.

ABSTRACT

Background and Objective:Currently, the whole world is facing a pandemic disease, novel Coronavirus also known as COVID-19, which spread in more than 200 countries with around 3.3 million active cases and 4.4 lakh deaths approximately. Due to rapid increase in number of cases and limited supply of testing kits, availability of alternative diagnostic method is necessary for containing the spread of COVID-19 cases at an early stage and reducing the death count. For making available an alternative diagnostic method, we proposed a deep neural network based diagnostic method which can be easily integrated with mobile devices for detection of COVID-19 and viral pneumonia using Chest X-rays (CXR) images. Methods:In this study, we have proposed a method named COVIDLite, which is a combination of white balance followed by Contrast Limited Adaptive Histogram Equalization (CLAHE) and depth-wise separable convolutional neural network (DSCNN). In this method, white balance followed by CLAHE is used as an image preprocessing step for enhancing the visibility of CXR images and DSCNN trained using sparse cross entropy is used for image classification with lesser parameters and significantly lighter in size, i.e., 8.4 MB without quantization. Results:The proposed COVIDLite method resulted in improved performance in comparison to vanilla DSCNN with no pre-processing. The proposed method achieved higher accuracy of 99.58% for binary classification, whereas 96.43% for multiclass classification and out-performed various state-of-the-art methods. Conclusion:Our proposed method, COVIDLite achieved exceptional results on various performance metrics. With detailed model interpretations, COVIDLite can assist radiologists in detecting COVID-19 patients from CXR images and can reduce the diagnosis time significantly.

연구 동기 및 목표

• RT-PCR 자원이 제한될 때 흉부 X선을 통한 신속하고 접근 가능한 COVID-19 선별을 촉진한다.
• 모바일/웹 배포에 적합한 경량 CNN 아키텍처를 개발한다.
• CNN 특징 추출을 개선하기 위한 표적 전처리를 통해 CXR 이미지 품질을 향상한다.
• Grad-CAM, LIME, 그리고 saliency maps로 방사선 전문의의 해석 가능성을 제공한다.

제안 방법

• CXR 가시성을 향상시키기 위한 전처리 파이프라인으로 흰색 밸런스에 이어 CLAHE를 적용한다.
• 표준 CNN 대비 매개변수 및 연산량을 줄이기 위해 깊이 분리 가능한 CNN(DSCNN)을 사용한다.
• 3x3 커널을 사용하여 2개의 표준 컨볼루션 + 12개의 DSC 계층 + Dense 블록으로 구성된 18층의 COVIDLite 네트워크를 학습한다.
• 네트워크 입력 전에 이미지를 224x224x3으로 정규화하고 리사이즈한다.
• 다중 클래스 분류를 위해 softmax 활성화와 희소 범주 교차 엔트로피 손실을 사용한다.
• 5-fold 교차 검증으로 검증하고 정확도, 정밀도, 재현율, F1, AUC, Cohen의 kappa와 같은 표준 지표를 보고한다.
• Grad-CAM, LIME, 및 saliency 맵으로 모델의 해석 가능성을 평가해 폐렴으로 영향을 받은 영역을 강조한다.

실험 결과

연구 질문

• RQ1 화이트 밸런스 + CLAHE 전처리 가 CXR 이미지에서 COVID-19 탐지 성능에 어떤 영향을 미치는가?
• RQ2 가볍고 깊이 분리 가능한 CNN이 CXR 데이터에서 COVID-19 분류에 대해 경쟁력 있는 정확도(2-class 및 3-class)를 달성할 수 있는가?
• RQ3 전처리 활성화 파이프라인과 비활성 파이프라인 사이의 성능 트레이드오프(정확도, 정밀도, 재현율, AUC, 카파)는 무엇인가?
• RQ4 Grad-CAM, LIME, 및 saliency 맵이 모델의 결정에 대해 임상적으로 의미 있는 설명을 제공하는 정도는 어느 정도인가?

주요 결과

• 전처리와 함께 이진 분류 정확도: 5개 폴드에 걸친 평균 98.75%.
• 전처리와 함께 세 가지 클래스 분류 정확도: 5개 폴드에 걸친 평균 99.58%.
• 클래스별 성능(전처리 포함)으로 정밀도 99.00% (Normal) / 100.00% (COVID-19) / 96.00% (Viral Pneumonia); 민감도 99.00% / 99.58% / 96.00%; 특이도 98.25% / 99.34% / 97.79%; F1-Score 99.00% / 99.79% / 95.00%; AUC 1.0 / 1.0 / 0.99.
• AUC for binary: average AUC = 1.0 for COVID-19 and Normal classes; for multi-class, class-wise AUCs are 1.0 (COVID-19) and 0.99–1.0 for others.
• The model size is lightweight (8.4 MB without quantization) and suitable for mobile/web deployment; preprocessing improves performance and narrows 95% CIs.