[논문 리뷰] Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep Learning and Transfer Learning Algorithms

Halgurd S. Maghdid, Aras T. Asaad외 3명|arXiv (Cornell University)|2020. 03. 31.

COVID-19 diagnosis using AI인용 수 9

한 줄 요약

이 연구는 전이 학습과 최적화된 CNN을 활용한 딥러닝 기반 접근법을 제안하여 X-ray 및 CT 스캔 영상에서 코로나19 폐렴을 진단한다. 다양한 출처에서 수집한 종합적인 데이터셋을 구축하고, 수정된 사전 훈련된 AlexNet 및 맞춤형 CNN 모델을 적용함으로써 최대 98%의 정확도를 달성하여 임상 환경에서 빠르고 정확한 진단을 위한 높은 성능을 입증한다.

ABSTRACT

COVID-19 (also known as 2019 Novel Coronavirus) first emerged in Wuhan, China and spread across the globe with unprecedented effect and has now become the greatest crisis of the modern era. The COVID-19 has proved much more pervasive demands for diagnosis that has driven researchers to develop more intelligent, highly responsive and efficient detection methods. In this work, we focus on proposing AI tools that can be used by radiologists or healthcare professionals to diagnose COVID-19 cases in a quick and accurate manner. However, the lack of a publicly available dataset of X-ray and CT images makes the design of such AI tools a challenging task. To this end, this study aims to build a comprehensive dataset of X-rays and CT scan images from multiple sources as well as provides a simple but an effective COVID-19 detection technique using deep learning and transfer learning algorithms. In this vein, a simple convolution neural network (CNN) and modified pre-trained AlexNet model are applied on the prepared X-rays and CT scan images dataset. The result of the experiments shows that the utilized models can provide accuracy up to 98 % via pre-trained network and 94.1 % accuracy by using the modified CNN.

연구 동기 및 목표

• 의료 영상 기반 코로나19 폐렴의 신속하고 정확한 진단을 위한 긴급한 필요성을 해결하기 위해.
• 공개적으로 이용 가능한 코로나19 X-ray 및 CT 스캔 데이터셋의 부족함에 도전하기 위해.
• 전이 학습을 활용한 개선된 진단 성능를 위한 딥러닝 프레임워크를 개발하고 평가하기 위해.
• 팬데믹 기간 동안 방사선과 의사의 임상 의사결정 지원을 위한 실용적인 AI 도구를 제공하기 위해.
• 동일한 데이터셋에서 수정된 CNN과 최적화된 사전 훈련된 AlexNet의 성능를 비교하기 위해.

제안 방법

• 저자들은 다양한 공공 및 임상 자료에서 X-ray 및 CT 스캔 영상의 종합적인 데이터셋을 수집하였다.
• 사전 훈련된 AlexNet 모델을 사용하여 전이 학습을 적용하고, 코로나19 진단을 위해 최종 레이어를 최적화하였다.
• 비슷한 데이터셋에서부터 시작하여 수정된 컨volutional 신경망(CNN)을 새로 훈련시켜 성능를 비교하였다.
• 일반화 능력을 향상시키고 과적합을 줄이기 위해 데이터 증강 기법을 사용하였다.
• 정확도, 정밀도, 재현율 및 F1-스코어와 같은 표준 지표를 사용하여 모델을 평가하였다.
• 최적화를 위해 교차 엔트로피 손실과 함께 확률적 경사 하강법을 사용한 훈련 과정을 수행하였다.

실험 결과

연구 질문

• RQ1 사전 훈련된 모델을 사용한 전이 학습이 의료 영상에서 코로나19 폐렴 진단의 정확도를 향상시킬 수 있는가?
• RQ2 동일한 데이터셋에서 맞춤형 CNN의 성능가 사전 훈련된 AlexNet을 최적화한 것과 비교해 어떻게 되는가?
• RQ3 정제된 X-ray 및 CT 스캔 데이터셋이 모델의 일반화 능력과 진단 신뢰도를 어느 정도 향상시킬 수 있는가?
• RQ4 저데이터 환경에서 모델 복잡도와 진단 정확도 사이의 최적의 균형은 무엇인가?
• RQ5 대규모 레이블이 부여된 데이터셋이 필요 없이 딥러닝 모델이 코로나19 폐렴을 높은 정확도로 분류할 수 있는가?

주요 결과

• 최적화된 사전 훈련된 AlexNet 모델은 X-ray 및 CT 스캔 데이터셋의 조합에서 분류 정확도 98%를 달성하였다.
• 수정된 CNN 모델은 동일한 데이터셋에서 94.1%의 정확도를 기록하여, 처음부터 훈련된 점을 감안할 때 뛰어난 성능를 보였다.
• 결과는 전이 학습이 처음부터 CNN을 훈련시키는 것보다 진단 정확도를 크게 향상시킨다는 것을 시사한다.
• 데이터셋 구축 노력은 향후 코로나19 의료 영상 분석 분야의 연구를 위한 유용하고 공개 가능한 자원을 제공하였다.
• 모델들은 다양한 영상 출처에서 뛰어난 성능를 보였으며, 실제 임상 적용 가능성에 대한 잠재력을 보였다.
• 이 연구는 전이 학습과 결합할 경우, 제한된 레이블이 부여된 데이터로도 딥러닝 모델이 높은 진단 정확도를 달성할 수 있음을 확인한다.