[논문 리뷰] Development of a Machine-Learning System to Classify Lung CT Scan Images into Normal/COVID-19 Class

Seifedine Kadry, V. Rajinikanth외 4명|arXiv (Cornell University)|2020. 04. 24.

COVID-19 diagnosis using AI참고 문헌 53인용 수 33

한 줄 요약

본 논문은 Chaotic Bat Algorithm과 Kapur’s Entropy thresholding을 사용하여 흉부 CT 슬라이스를 향상시키고, 이후 특징 추출/선택 및 이진 분류기를 통해 SVM을 사용한 융합 특징 벡터로 최대 89.80%의 정확도를 달성하는 기계 학습 파이프라인을 제시한다.

ABSTRACT

Recently, the lung infection due to Coronavirus Disease (COVID-19) affected a large human group worldwide and the assessment of the infection rate in the lung is essential for treatment planning. This research aims to propose a Machine-Learning-System (MLS) to detect the COVID-19 infection using the CT scan Slices (CTS). This MLS implements a sequence of methods, such as multi-thresholding, image separation using threshold filter, feature-extraction, feature-selection, feature-fusion and classification. The initial part implements the Chaotic-Bat-Algorithm and Kapur's Entropy (CBA+KE) thresholding to enhance the CTS. The threshold filter separates the image into two segments based on a chosen threshold 'Th'. The texture features of these images are extracted, refined and selected using the chosen procedures. Finally, a two-class classifier system is implemented to categorize the chosen CTS (n=500 with a pixel dimension of 512x512x1) into normal/COVID-19 group. In this work, the classifiers, such as Naive Bayes (NB), k-Nearest Neighbors (KNN), Decision Tree (DT), Random Forest (RF) and Support Vector Machine with linear kernel (SVM) are implemented and the classification task is performed using various feature vectors. The experimental outcome of the SVM with Fused-Feature-Vector (FFV) helped to attain a detection accuracy of 89.80%.

연구 동기 및 목표

• CT 스캔으로 신속한 COVID-19 진단의 필요성을 치료 계획 및 분류를 위해 동기 부여한다.
• CT 슬라이스를 향상시키고 판별 가능한 질감 특징을 추출하는 기계 학습 워크플로우를 제안한다.
• Normal 대 COVID-19 분류를 위한 효과적인 모델을 식별하기 위해 다수의 분류기를 평가한다.

제안 방법

• CT 슬라이스를 향상시키기 위해 Chaotic Bat Algorithm과 Kapur’s Entropy 임계값 설정을 적용한다.
• 선택된 임계값 Th에서 두 개의 세그먼트를 생성하기 위해 임계값 기반 이미지 분리를 수행한다.
• 분할된 이미지에서 질감 특징을 추출하고 다듬으며 선택한다.
• 융합 스킴을 통해 특징 벡터를 융합하고 이진 분류기를 학습시킨다.
• 다양한 특징 벡터를 사용하여 Naive Bayes, KNN, Decision Tree, Random Forest, 그리고 선형 SVM을 평가한다.

실험 결과

연구 질문

• RQ1 임계값 기반 향상과 질감 특징의 결합이 Normal 대 COVID-19 CT 슬라이스를 효과적으로 구분할 수 있는가?
• RQ2 주어진 데이터세트에서 정상/코로나19 분류에 대해 가장 높은 정확도를 얻는 분류기와 특징 벡터 구성이 무엇인가?

주요 결과

• 융합 특징 벡터를 사용하는 SVM이 89.80% 탐지 정확도를 달성했다.
• 본 연구는 다수의 분류기를 테스트했고 NB, KNN, DT, RF 중에서 FFV를 활용한 SVM이 최고 성능으로 식별되었다.
• CT 슬라이스 데이터세트 사용: n=500, 크기 512x512x1.