[논문 리뷰] CovMUNET: A Multiple Loss Approach towards Detection of COVID-19 from Chest X-ray

Ali Sayyed, Dipayan Saha외 1명|arXiv (Cornell University)|2020. 07. 28.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

CovMUNET은 복수의 손실 함수를 사용하는 딥러닝 모델로, 흉부 X선 영상에서 코로나19를 탐지한다. 3개 클래스 분류(코로나19 대비 정상 대비 폐렴)에서 96.97%의 정확도를 기록했으며, 2개 클래스 분류(코로나19 대비 비코로나19)에서는 99.41%의 정확도를 달성하여 흉부 X선 스캔에서 이상 징후를 식별하는 데 있어 뛰어난 성능과 강건성을 입증한다.

ABSTRACT

The recent outbreak of COVID-19 has halted the whole world, bringing a devastating effect on public health, global economy, and educational systems. As the vaccine of the virus is still not available, the most effective way to combat the virus is testing and social distancing. Among all other detection techniques, the Chest X-ray (CXR) based method can be a good solution for its simplicity, rapidity, cost, efficiency, and accessibility. In this paper, we propose CovMUNET, which is a multiple loss deep neural network approach to detect COVID-19 cases from CXR images. Extensive experiments are performed to ensure the robustness of the proposed algorithm and the performance is evaluated in terms of precision, recall, accuracy, and F1-score. The proposed method outperforms the state-of-the-art approaches with an accuracy of 96.97% for 3-class classification (COVID-19 vs normal vs pneumonia) and 99.41% for 2-class classification (COVID vs non-COVID). The proposed neural architecture also successfully detects the abnormality in CXR images.

연구 동기 및 목표

• 흉부 X선 영상에서 코로나19 탐지 정확도를 향상시키는 딥러닝 모델을 개발하는 것.
• 코로나19용 의료 영상 데이터의 부족함과 불균형 문제를 복수 손실 학습 전략을 활용하여 해결하는 것.
• 흉부 X선 스캔에서 코로나19, 정상, 폐렴 사례를 구분하는 데 있어 모델의 일반화 능력과 강건성을 향상시키는 것.
• 접근 가능한 영상 모odalities를 활용해 조기에 비용 효율적으로 코로나19를 탐지할 수 있도록 하는 것.
• 정밀도와 재현율이 높은 방식으로 흉부 X선에서 이상 징후를 식별하여 임상 의사결정 지원에 기여하는 것.

제안 방법

• 모델은 불균형 데이터셋에서의 분류 성능 향상을 위해 교차 엔트로피 손실과 포칼 손실을 조합한 복수 손실 함수를 사용한다.
• 흉부 X선 영상에서 계층적 특징을 추출하기 위해 맞춤형 컨볼루션 신경망 아키텍처를 설계한다.
• 다중 클래스 및 이진 분류 작업에 맞춰진 분류 손실의 조합을 사용해 엔드 투 엔드로 네트워크를 훈련시킨다.
• 훈련 데이터의 다양성을 높이고 모델의 일반화 능력을 향상시키기 위해 데이터 증강 기법을 적용한다.
• 표준 평가 지표인 정밀도, 재현율, F1 점수, 정확도를 사용해 다양한 실험 설정에서 모델을 평가한다.
• 모델 아키텍처는 코로나19 이외의 일반적인 이상 징후까지도 탐지하도록 최적화되어 있다.

실험 결과

연구 질문

• RQ1 단일 손실 접근 방식에 비해 복수 손실 함수가 흉부 X선 영상에서 코로나19 탐지 정확도를 향상시키는가?
• RQ2 제안된 모델은 다중 클래스 설정에서 코로나19, 정상, 폐렴 사례를 어떻게 구분하는가?
• RQ3 다양한 병변을 가진 예상치 못한 흉부 X선 데이터에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 클래스 불균형이 존재하는 상황에서 이진 분류(코로나19 대비 비코로나19)에서 모델이 높은 정밀도와 재현율을 달성할 수 있는가?
• RQ5 코로나19 이외의 일반적인 이상 징후까지도 흉부 X선 영상에서 효과적으로 탐지할 수 있는가?

주요 결과

• 3개 클래스 분류(코로나19 대비 정상 대비 폐렴)에서 모델은 96.97%의 정확도를 기록했으며, 최신 기술을 초월했다.
• 이진 분류(코로나19 대비 비코로나19)에서는 99.41%의 정확도를 달성하여 강력한 분류 능력을 보였다.
• 복수 손실 전략은 불균형 데이터셋에서 모델의 강건성과 일반화 능력을 크게 향상시켰다.
• 모델은 모든 클래스에서 높은 정밀도와 재현율을 보였으며, 신뢰할 수 있는 탐지 성능을 입증했다.
• 아키텍처는 코로나19 이외의 이상 징후까지도 성공적으로 탐지하여 더 넓은 진단 활용 가능성을 보였다.
• 표준 평가 지표를 사용한 검증을 통해 모델의 효과성과 신뢰성을 확인했다.