[논문 리뷰] Deep transfer learning for detecting Covid-19, Pneumonia and Tuberculosis using CXR images -- A Review

Irad Mwendo, Kinyua Gikunda외 1명|arXiv (Cornell University)|2023. 03. 26.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 리뷰는 흉부 X선(CXR) 영상에서 코로나19, 폐렴, 결핵을 감지하기 위한 딥 트랜스퍼 러닝 모델을 평가하며, ResNet-50, VGG-16, DenseNet-121 등의 아키텍처를 강조한다. 데이터 증강, 트랜스퍼 러닝, 하이퍼파rameter 튜닝이 정확도를 향상시키며, 일부 모델은 최대 99.7%의 정확도를 기록한 반면, 데이터 부족, 클래스 불균형, 단일 질환 중심 집중이 주요 한계로 지적된다.

ABSTRACT

Chest X-rays remains to be the most common imaging modality used to diagnose lung diseases. However, they necessitate the interpretation of experts (radiologists and pulmonologists), who are few. This review paper investigates the use of deep transfer learning techniques to detect COVID-19, pneumonia, and tuberculosis in chest X-ray (CXR) images. It provides an overview of current state-of-the-art CXR image classification techniques and discusses the challenges and opportunities in applying transfer learning to this domain. The paper provides a thorough examination of recent research studies that used deep transfer learning algorithms for COVID-19, pneumonia, and tuberculosis detection, highlighting the advantages and disadvantages of these approaches. Finally, the review paper discusses future research directions in the field of deep transfer learning for CXR image classification, as well as the potential for these techniques to aid in the diagnosis and treatment of lung diseases.

연구 동기 및 목표

• 딥 트랜스퍼 러닝의 효과성을 평가하여 흉부 X선 영상에서 코로나19, 폐렴, 결핵을 분류하는 데 기여한다.
• 저자원 및 고부하 임상 환경에서 진단 정확도를 향상시키는 데 핵심이 되는 딥 러닝 아키텍처와 기법을 규명한다.
• 기존 연구에서 나타나는 소규모 데이터셋, 데이터 불균형, 다중 질환 감지 한계 등의 과제를 분석한다.
• 데이터 증강과 하이퍼파rameter 튜닝이 모델 일반화 및 성능 향상에 기여하는 방식을 부각한다.
• CXR 영상 기반 폐 질환에 대한 확장 가능하고 정확하며 강력한 AI 보조 진단 체계를 개발하기 위한 향후 연구 방향을 제시한다.

제안 방법

• 최근 58篇의 연구를 대상으로 한 체계적 리뷰로, CXR 기반 폐 질환 분류에 딥 트랜스퍼 러닝을 적용하였다.
• ResNet-50, VGG-16, DenseNet-121, InceptionV3, EfficientNet 등의 사전 학습 모델을 활용해 CXR 데이터셋에 대해 트랜스퍼 러닝을 평가하였다.
• 반전, 기울임, 확대, 히스토GRAM 등화 등 데이터 증강 기법을 적용하여 훈련 데이터의 다양성을 증가시켰다.
• 학습률, 배치 크기, 네트워크 깊이 등의 하이퍼파rameter 튜닝을 통해 모델 수렴성과 정확도를 향상시켰다.
• 이방향 확산 필터링, 언샤프 마스킹, 공간 변환망과 같은 고급 기법을 도입하여 노이즈를 줄이고 특징을 강화하였다.
• 랜덤 포레스트, SVM, 로지스틱 회귀 등의 앙상블 방법과 CNN에 주목력 또는 특징 추출 모듈을 융합한 하이브리드 모델을 비교 분석하였다.

실험 결과

연구 질문

• RQ1 CXR 영상에서 코로나19, 폐렴, 결핵을 감지하는 데 있어 어떤 딥 트랜스퍼 러닝 아키텍처가 가장 높은 정확도를 보였는가?
• RQ2 데이터 증강과 하이퍼파arameter 튜닝은 폐 질환 분류에서 트랜스퍼 러닝 모델의 성능과 내구성에 어떤 영향을 미치는가?
• RQ3 모델의 실생활 적용을 제한하는 주요 과제로 나타나는 데이터 부족, 클래스 불균형, 모델 편향 등의 문제는 무엇인가?
• RQ4 단독 딥 러닝 모델 대비 하이브리드 또는 앙상블 모델은 진단 정확도를 얼마나 향상시키는가?
• RQ5 CXR 영상 기반으로 확장 가능하고 다중 질환 감지 기능을 갖춘 체계를 개발하기 위한 핵심 연구 격차와 향후 연구 방향은 무엇인가?

주요 결과

• ResNet-50 및 DenseNet-121와 같은 트랜스퍼 러닝 모델은 높은 정확도를 기록했으며, 한 연구에서는 1,824장의 소규모 CXR 영상 데이터셋에서 99.9%의 정확도를 보고하였다.
• 기울임, 반전, 확대 등의 데이터 증강 기법 사용이 모델 일반화 능력 향상과 훈련 세트 크기 증가에 뚜렷한 기여를 하였다.
• 학습률 조정 및 드롭아웃 레이어 포함 하이퍼파arameter 튜닝을 통해 모델 성능이 향상되었으며, 한 모델은 100 에포크 후 94%의 정확도를 달성하였다.
• 공간 변환망과 연령, 성별, 영상 위치 등의 인구통계학적 특징을 융합한 하이브리드 모델은 노이즈가 많은 데이터에도 불구하고 73%의 검증 정확도를 기록하였다.
• 랜덤 포레스트, SVM, 로지스틱 회귀를 융합한 앙상블 모델은 98%의 정확도를 달성하였으며, 앙상블 딥 트랜스퍼 러닝 모델은 기도성 폐질환 분류에서 99.70%의 정확도를 기록하였다.
• 데이터 불균형과 소규모 데이터셋 크기 문제는 여전히 흔한 과제이며, 한 연구는 클래스 불균형 문제를 해결하기 위해 샐링 샘플링을 적용한 후 85.68%의 정확도를 기록하였다.