[논문 리뷰] Experiments of Federated Learning for COVID-19 Chest X-ray Images

Boyi Liu, Bingjie Yan외 3명|arXiv (Cornell University)|2020. 07. 05.

COVID-19 diagnosis using AI참고 문헌 4인용 수 52

한 줄 요약

이 논문은 COVID-19 흉부 X-선 분류를 위한 연방학습(FL)을 네 가지 모델( COVID-Net, ResNet18, ResNeXt, MobileNet-v2 )로 평가하고 COVIDx 데이터셋에서 FL과 중앙 집중식 학습을 비교한다.

ABSTRACT

AI plays an important role in COVID-19 identification. Computer vision and deep learning techniques can assist in determining COVID-19 infection with Chest X-ray Images. However, for the protection and respect of the privacy of patients, the hospital's specific medical-related data did not allow leakage and sharing without permission. Collecting such training data was a major challenge. To a certain extent, this has caused a lack of sufficient data samples when performing deep learning approaches to detect COVID-19. Federated Learning is an available way to address this issue. It can effectively address the issue of data silos and get a shared model without obtaining local data. In the work, we propose the use of federated learning for COVID-19 data training and deploy experiments to verify the effectiveness. And we also compare performances of four popular models (MobileNet, ResNet18, MoblieNet, and COVID-Net) with the federated learning framework and without the framework. This work aims to inspire more researches on federated learning about COVID-19.

연구 동기 및 목표

• 병원 간 COVID-19 CXR 분류를 위한 개인정보 보호 기반 협업 학습 동기 부여.
• COVID-19 CXR 데이터에 대한 네 가지 네트워크의 FL 성능 조사
• 수렴 및 정확도 측면에서 FL와 비-FL 간의 트레이드오프 평가.

제안 방법

• 5 에이전트와 라운드당 0.4 참여로 연합 학습 설정 정의.
• FL 하에서 PyTorch를 사용하여 네 모델(COVID-Net, ResNet18, ResNeXt, MobileNet-v2)을 학습.
• 학습률 2e-5 및 가중치 감소 1e-7로 Adam 옵티마이저 사용.
• 데이터셋: COVIDx (15,282 이미지) 중 Normal, non-COVID pneumonia, COVID-19 라벨.
• FL 학습 모델과 중앙 집중식 학습 기준선을 비교.
• 성능 평가(세트별 및 라벨별 정확도)와 Grad-CAM++ 시각적 설명 제공.

실험 결과

연구 질문

• RQ1 연방학습이 COVID-19 CXR 분류에서 중앙 집중식 학습과 비슷한 정확도를 달성할 수 있는가?
• RQ2 FL 하에서 COVID-19 CXR 이미지에 대해 어떤 모델이 가장 높은 정확도를 보이는가?
• RQ3 FL가 COVID-19 탐지의 수렴 속도와 라벨별 성능에 어떤 영향을 미치는가?

주요 결과

• ResNet18은 FL 하에서 학습 정확도 96.15%와 테스트 정확도 91.26%로 가장 높은 성능을 보인다.
• FL 하에서 COVID-Net은 테스트 정확도 89.17% 및 학습 정확도 92.40%를 달성한다.
• FL 하에서 ResNeXt는 테스트 정확도 90.37% 및 학습 정확도 94.66%를 달성한다.
• FL 하에서 MobileNet-v2는 테스트 정확도 86.83% 및 학습 정확도 91.16%를 달성한다.
• 중앙 집중식 학습에서는 네 모델의 성능이 상이하게 나타나며, FL 및 비-FL 설정 중에서도 여전히 ResNet18이 전반적으로 가장 강하게 수행한다.
• 네 모델 중 MobileNet-v2가 매개변수가 가장 적다.