[논문 리뷰] Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-rays Images

Tawsifur Rahman, Amith Khandakar외 9명|arXiv (Cornell University)|2020. 11. 25.

COVID-19 diagnosis using AI인용 수 13

한 줄 요약

이 연구는 18,479장의 영상이 포함된 새로운 대규모 데이터셋(COVQU-20)을 사용하여 흉부 X선에서 코로나19 감지에 대해 히스토GRAM 등차, CLAHE, 이미지 보완, 감마 보정, B-CET 등 다섯 가지 영상 강화 기법의 영향을 조사한다. 감마 보정이 가장 높은 성능을 보였으며, 표준 및 분할된 CXR 영상에서 각각 96.29%의 정확도, 96.28%의 정밀도, 96.29%의 민감도를 기록했다.

ABSTRACT

The use of computer-aided diagnosis in the reliable and fast detection of coronavirus disease (COVID-19) has become a necessity to prevent the spread of the virus during the pandemic to ease the burden on the medical infrastructure. Chest X-ray (CXR) imaging has several advantages over other imaging techniques as it is cheap, easily accessible, fast and portable. This paper explores the effect of various popular image enhancement techniques and states the effect of each of them on the detection performance. We have compiled the largest X-ray dataset called COVQU-20, consisting of 18,479 normal, non-COVID lung opacity and COVID-19 CXR images. To the best of our knowledge, this is the largest public COVID positive database. Ground glass opacity is the common symptom reported in COVID-19 pneumonia patients and so a mixture of 3616 COVID-19, 6012 non-COVID lung opacity, and 8851 normal chest X-ray images were used to create this dataset. Five different image enhancement techniques: histogram equalization, contrast limited adaptive histogram equalization, image complement, gamma correction, and Balance Contrast Enhancement Technique were used to improve COVID-19 detection accuracy. Six different Convolutional Neural Networks (CNNs) were investigated in this study. Gamma correction technique outperforms other enhancement techniques in detecting COVID-19 from standard and segmented lung CXR images. The accuracy, precision, sensitivity, f1-score, and specificity in the detection of COVID-19 with gamma correction on CXR images were 96.29%, 96.28%, 96.29%, 96.28% and 96.27% respectively. The accuracy, precision, sensitivity, F1-score, and specificity were 95.11 %, 94.55 %, 94.56 %, 94.53 % and 95.59 % respectively for segmented lung images. The proposed approach with very high and comparable performance will boost the fast and robust COVID-19 detection using chest X-ray images.

연구 동기 및 목표

• 다양한 영상 강화 기법이 흉부 X선(CXR) 영상에서 코로나19 감지 정확도 향상에 미치는 영향을 평가하는 것.
• 정상, 비코로나19 폐쇄음, 코로나19 포함 총 18,479장의 영상이 포함된 가장 큰 공개 가능한 코로나19 CXR 데이터셋인 COVQU-20을 개발하고 배포하는 것.
• 강화 기법과 함께 다양한 컨volutional 신경망(CNN) 아키텍처의 성능을 비교하여 코로나19의 강력하고 신속한 감지를 위한 것.
• 정확도, 민감도, 정밀도, F1-스코어, 특이도 등의 감지 지표를 최대화하는 최적의 영상 강화 방법을 규명하는 것.

제안 방법

• 저자들은 대규모 학습 및 평가를 지원하기 위해 18,479장의 CXR 영상(정상 8,851장, 비코로나19 폐쇄음 6,012장, 코로나19 3,616장)을 포함한 COVQU-20 데이터셋을 구축하였다.
• 다섯 가지 영상 강화 기법을 적용: 히스토GRAM 등차, 대비 제한적 적응형 히스토GRAM 등차(CLAHE), 이미지 보완, 감마 보정, 균형 대trast 강화 기법(B-CET).
• 표준 및 강화된 CXR 영상에서 성능을 평가하기 위해 여섯 가지 사전 학습된 컨volutional 신경망(CNN)을 미세조정하고 평가하였다.
• 표준 및 폐 분할된 CXR 영상에서 정확도, 정밀도, 민감도, F1-스코어, 특이도 등의 표준 지표를 사용하여 성능을 평가하였다.
• 폐 영역을 분리하여 특징 추출을 향상시키고 주변 해부학적 구조에서 유도되는 노이즈를 줄이기 위해 폐 분할을 적용하였다.

실험 결과

연구 질문

• RQ1 어느 영상 강화 기법이 흉부 X선 영상에서 코로나19 감지 정확도를 가장 높게 산출하는가?
• RQ2 영상 강화 기법을 딥러닝 모델과 통합할 경우 코로나19 감지의 민감도와 특이도에 어떤 영향을 미치는가?
• RQ3 COVQU-20 데이터셋에서 다양한 CNN 아키텍처의 성능은 각각의 강화 기법과 결합했을 때 어떻게 비교되는가?
• RQ4 감마 보정은 표준 및 분할된 CXR 영상 모두에서 다른 강화 방법보다 일관되게 뛰어난 성능을 보이는가?

주요 결과

• 감마 보정은 표준 CXR 영상에서 96.29%의 최고 정확도를 기록했으며, 정밀도 96.28%, 민감도 96.29%, F1-스코어 96.28%, 특이도 96.27%를 기록했다.
• 폐 분할 영상에서는 감마 보정이 95.11%의 정확도, 94.55%의 정밀도, 94.56%의 민감도, 94.53%의 F1-스코어, 95.59%의 특이도를 기록했다.
• 18,479장의 영상이 포함된 COVQU-20 데이터셋은 정상, 비코로나19 폐쇄음, 코로나19 CXR 영상의 다양한 케이스를 포함하는 가장 큰 공개 가능한 데이터베이스이다.
• 다섯 가지 강화 기법 중 감마 보정이 정확도, 민감도, 정밀도, F1-스코어, 특이도 등 모든 평가 지표에서 히스토그램 등차, CLAHE, 이미지 보완, B-CET를 일관되게 뛰어넘었다.
• 감마 보정과 딥러닝 모델의 조합은 최신 기술 수준의 성능을 보였으며, 자동 코로나19 감지에서 높은 강건성과 일반화 능력을 입증하였다.