[논문 리뷰] Detection of Covid-19 From Chest X-ray Images Using Artificial Intelligence: An Early Review

Muhammad Ilyas, Hina Rehman외 1명|arXiv (Cornell University)|2020. 04. 11.

COVID-19 diagnosis using AI인용 수 38

한 줄 요약

이 논문은 흉부 X-레이 이미지를 사용한 COVID-19 폐렴 탐지를 위한 AI 접근법을 조사하며, 소형 데이터세트에서 여러 심층 학습 모델과 그 정확도를 보고한다. 또한 COVID-19 폐렴을 다른 원인과 구분하는 데의 도전을 논의한다.

ABSTRACT

In 2019, the entire world is facing a situation of health emergency due to a newly emerged coronavirus (COVID-19). Almost 196 countries are affected by covid-19, while USA, Italy, China, Spain, Iran, and France have the maximum active cases of COVID-19. The issues, medical and healthcare departments are facing in delay of detecting the COVID-19. Several artificial intelligence based system are designed for the automatic detection of COVID-19 using chest x-rays. In this article we will discuss the different approaches used for the detection of COVID-19 and the challenges we are facing. It is mandatory to develop an automatic detection system to prevent the transfer of the virus through contact. Several deep learning architecture are deployed for the detection of COVID-19 such as ResNet, Inception, Googlenet etc. All these approaches are detecting the subjects suffering with pneumonia while its hard to decide whether the pneumonia is caused by COVID-19 or due to any other bacterial or fungal attack.

연구 동기 및 목표

• 흉부 X-레이 이미지를 이용한 자동적이고 접촉 없는 COVID-19 탐지를 촉진하여 신속한 격리 및 치료를 돕는다.
• X-레이 데이터에서 COVID-19 탐지를 위해 사용된 기존 AI/딥 러닝 접근법(예: ResNet, Inception, GoogLeNet)을 요약한다.
• COVID-19를 다른 폐렴으로부터 신뢰하게 구분하기 위한 데이터의 한계와 더 큰 다중 클래스 데이터셋의 필요성을 강조한다.

제안 방법

• 흉부 X-레이로 COVID-19 탐색용 AI 기반 접근법에 대한 문헌 고찰.
• 소형 데이터세트에서 보고된 모델 성능을 수집하고 아키텍처 간 비교.
• COVID-19 폐렴과 다른 폐렴 간의 구분 및 데이터 부족과 같은 도전 과제에 대한 논의.

Figure 1: Daily cases of COVID-19

실험 결과

연구 질문

• RQ1 흉부 X-레이 이미지에서 COVID-19를 탐지하기 위해 어떤 심층 학습 아키텍처가 탐구되었나?
• RQ2 이러한 접근법의 보고된 정확도와 데이터세트 크기는 어떠하며, 어떤 한계가 드러났나?
• RQ3 X-레이 이미지에서 신뢰할 수 있고 임상 등급의 COVID-19 탐지를 방해하는 도전 과제는 무엇인가?

주요 결과

• 여러 연구에서 50–728 이미지의 소형 데이터세트에서 최대 약 98%에 이르는 높은 정확도를 보고했고, ResNet50, InceptionV3, VGG19 등과 같은 모델을 사용했다.
• 전이 학습과 딥 피처가 제한된 데이터에서 주목할 만한 성능을 달성하는 데 일반적으로 활용된다.
• 주요 도전은 COVID-19 폐렴을 다른 폐렴 원인으로부터 구분하는 것으로, 많은 모델이 COVID-19 특이성보다는 폐렴 탐지에 초점을 맞춘다.
• 일반화 능력을 높이고 COVID-19 대 다른 폐렴 분류를 정확하게 수행하기 위해 더 크고 다양한 다중 클래스 흉부 X-레이 데이터세트의 필요성을 강조한다.
• 조기 AI 접근법은 빠른 선별에 가능성을 보여주지만 데이터 품질과 라벨링된 COVID-19 사례에 크게 의존한다.
• 토론은 X-레이 맥락에서 COVID-19 탐지를 CT 기반 AI 방법 및 더 넓은 AI 구동 팬데믹 모니터링 도구와 함께 위치시킨다.

Figure 2: Death and recovery rate of COVID-19