[논문 리뷰] Early Diagnosis of Pneumonia with Deep Learning

Can Jozef Saul, Deniz Yagmur Urey외 1명|arXiv (Cornell University)|2019. 04. 01.

COVID-19 diagnosis using AI참고 문헌 12인용 수 45

한 줄 요약

본 논문은 흉부 X선 이미지를 전처리하는 딥러닝 파이프라인을 제시하고 CNN과 ResNet 아키텍처를 비교하여 폐렴 탐지에서 78.73%의 정확도를 달성하며 CheXNet를 능가한다.

ABSTRACT

Pneumonia has been one of the fatal diseases and has the potential to result in severe consequences within a short period of time, due to the flow of fluid in lungs, which leads to drowning. If not acted upon by drugs at the right time, pneumonia may result in death of individuals. Therefore, the early diagnosis is a key factor along the progress of the disease. This paper focuses on the biological progress of pneumonia and its detection by x-ray imaging, overviews the studies conducted on enhancing the level of diagnosis, and presents the methodology and results of an automation of xray images based on various parameters in order to detect the disease at very early stages. In this study we propose our deep learning architecture for the classification task, which is trained with modified images, through multiple steps of preprocessing. Our classification method uses convolutional neural networks and residual network architecture for classifying the images. Our findings yield an accuracy of 78.73%, surpassing the previously top scoring accuracy of 76.8%.

연구 동기 및 목표

• 조기 폐렴 진단의 필요성을 동기부여하고 영상의학과의 인간 오류를 감소시키는 것.
• 특징 가시성을 향상시키기 위한 자동화된 X선 이미지 전처리 파이프라인을 제안한다.
• 공개 데이터셋에서 폐렴 분류를 위한 CNN 및 Residual Network 아키텍처를 평가한다.

제안 방법

• 색 공간 증가, 대비 증가, 이미지 인공 밝기 조정의 세 가지 이미지 전처리 기법을 적용한다.
• 세 개의 합성곱 계층과 최대풀링을 가진 CNN을 사용하고 이어서 신경망 분류기를 적용한다.
• 향상된 분류 성능을 위해 9계층 ResNet(Residual Network)을 탐색한다.
• Binary cross-entropy 손실을 사용하고드롭아웃, 배치 정규화, Adam 옵티마이저로 120 에폭에 걸쳐 학습한다.
• 전처리 영향력을 정확도 측면에서 평가하기 위해 CheXNet 및 제거 연구(ablation)와 비교한다.

실험 결과

연구 질문

• RQ1 X선 이미지의 전처리가 폐렴 분류 성능을 향상시킬 수 있는가?
• RQ2 이 폐렴 탐지 작업에서 CNN과 ResNet 아키텍처의 비교는 어떠한가?
• RQ3 대비 향상과 이미지 밝기 증가를 결합하는 것이 다른 전처리 조합보다 더 높은 정확도를 얻는가?
• RQ4 제안된 접근법이 동일 데이터셋에서 CheXNet와 비교해 어떤 성능을 보이는가?

주요 결과

네트워크	정확도
CheXNet (이전에 제안된 모델)	76.80%
CNN with Unmodified Input	63.74%
CNN with Expanded Color Scheme	65.42%
CNN with Increased Contrast	69.92%
CNN with Lightened Image on Increased Contrast	75.65%
CNN with Lightened Image on Increased Contrast with ResNet	78.73%

• 최고 모델은 78.73%의 정확도를 달성하여 CheXNet의 76.80%를 능가한다.
• 확장된 색 구성만으로 기본 CNN 대비 소폭 이득을 제공했다.
• 대비 증가가 기본 모델에 비해 성능을 향상시켰다.
• 대비 증가에 밝기 조정을 적용한 CNN 변형들 중 ResNet 적용 전에 가장 높은 정확도를 보였다.
• 9계층 ResNet이 정확도를 보고된 최댓값(78.73%)까지 더 향상시킨다.
• 본 연구는 제시된 방법의 F-스코어가 45.79%이며, 인용된 연구의 일부 전통 방법은 38.7%이다.