[논문 리뷰] Inception-Based Network and Multi-Spectrogram Ensemble Applied For Predicting Respiratory Anomalies and Lung Diseases

Lam Pham, Huy Phan외 3명|arXiv (Cornell University)|2020. 12. 26.

Phonocardiography and Auscultation Techniques참고 문헌 23인용 수 9

한 줄 요약

이 논문은 폐 운동 기록에서 호흡기 이상 및 폐 질환을 감지하기 위해 인셉션 기반 딥 뉴럴 네트워크와 다중 스펙트로그램 앙상블을 결합한 방법을 제안한다. 스팩트로그램으로 스칼로그램과 가모타운 스펙트로그램을 사용하고, 특징 추출 및 분류에 인셉션 아키텍처를 적용함으로써, 주관적 독립적인 훈련-테스트 분할을 가진 벤치마크 데이터셋에서 호흡기 이상 감지에 대해 0.53/0.45, 폐 질환 예측에 대해 0.87/0.85의 경쟁력 있는 ICBHI 점수를 달성하여 최신 기술을 능가한다.

ABSTRACT

This paper presents an inception-based deep neural network for detecting lung diseases using respiratory sound input. Recordings of respiratory sound collected from patients are firstly transformed into spectrograms where both spectral and temporal information are well presented, referred to as front-end feature extraction. These spectrograms are then fed into the proposed network, referred to as back-end classification, for detecting whether patients suffer from lung-relevant diseases. Our experiments, conducted over the ICBHI benchmark meta-dataset of respiratory sound, achieve competitive ICBHI scores of 0.53/0.45 and 0.87/0.85 regarding respiratory anomaly and disease detection, respectively.

연구 동기 및 목표

• 폐 운동 기록을 이용한 호흡기 이상 및 폐 질환의 자동 감지를 위한 강건한 딥 러닝 프레임워크 개발.
• 다양한 스펙트로그램 표현 방식(스칼로그램 및 가모타운 스펙트로그램)을 앙상블 학습을 통해 융합하여 분류 성능 향상.
• 주관적 독립적인 훈련-테스트 분할을 가진 표준화된 ICBHI 벤치마크 데이터셋에서 제안된 방법을 평가하여 이전 연구와의 공정한 비교 확보.
• 스펙트로그램에서 계층적 특징을 캡처하는 데에 인셉션 기반 아키텍처의 효과성 탐구.
• 모델의 임상적 유용성, 특히 만성 및 비만성 호흡기 질환의 조기 진단 가능성을 검증.

제안 방법

• 웨이블릿 및 가모타운 필터 베이스를 사용하여 폐 운동 기록을 스칼로그램 및 가모타운 스펙트로그램으로 변환함으로써 주파수 및 시간 특징을 유지.
• 제안된 인셉션 기반 네트워크 아키텍처(Inception-01에서 Inception-04까지)는 다양한 필터 크기를 가진 병렬 컨볼루션 브랜치를 활용하여 스펙트로그램 내의 다중 척도 패턴을 캡처.
• 각 컨볼루션 블록 이후 배치 정규화, ReLU 활성화 함수, 최대 풀링, 드롭아웃 레이어를 적용하여 훈련 안정성 향상 및 과적합 방지.
• 다중 스펙트로그램 앙상블을 위해, 서로 다른 스펙트로그램 유형(예: 스칼로그램 및 가모타운 스펙트로그램)으로 훈련된 모델의 확률을 Eq. (4)를 사용해 평균화하여 정확도 향상.
• 평균화된 확률 출력에 대해 가능도 최대화 기법을 사용하여 최종 예측 수행 (Eq. 3).
• 공식 챌린지 프로토콜에 따라 ICBHI 메타-데이터셋을 사용하여 주관적 독립적인 60/40 훈련-테스트 분할로 시스템을 훈련 및 평가.

실험 결과

연구 질문

• RQ1 인셉션 기반 딥 뉴럴 네트워크는 호흡기 운동 스펙트로그램에서 계층적 특징을 효과적으로 학습하여 이상 및 질환 분류에 기여할 수 있는가?
• RQ2 스칼로그램과 가모타운 스펙트로그램과 같은 다중 스펙트로그램 표현 방식을 앙상블하면 단일 모odal 입력에 비해 분류 성능이 향상되는가?
• RQ3 주관적 독립적인 분할을 가진 표준화된 ICBHI 벤치마크에서 제안된 방법은 최신 기술 시스템과 비교해 어떻게 성능을 내는가?
• RQ4 Inception-01에서 Inception-04까지의 아키텍처 변종 중 어느 것이 호흡기 이상 및 폐 질환 감지에서 민감도와 특이도의 최적 균형을 달성하는가?
• RQ5 다중 스펙트로그램 앙상블은 다양한 환자 기록 간의 모델 일반화 능력과 강인성 향상에 얼마나 기여하는가?

주요 결과

• 인셉션-02 아키텍처가 호흡기 질환 감지(과제 2)에서 최고의 ICBHI 조화 평균 점수 0.85를 기록하여 베이스라인 및 대부분의 최신 기술 시스템을 능가했다.
• 가모타운 스펙트로그램과 스칼로그램의 앙상블은 과제 1에서 ICBHI 점수 0.51/0.43을 기록하여 베이스라인을 약간 향상시키며, 최고 성능을 보인 단일 모델 시스템과 동일한 성능을 달성했다.
• 제안된 시스템은 과제 1에서 ICBHI 점수 0.53/0.45를 기록하여 최신 기술 모델과 경쟁 가능하며, 벤치마크에서 상위 성능을 보이는 시스템 중 하나였다.
• 두 개의 스칼로그램을 융합한 앙상블은 과제 2에서 점수 0.72/0.71를 기록하여, 다중 스펙트로그램 융합이 성능 향상에 기여할 수 있음을 보여주었지만, 독립적인 인셉션-02 모델의 성능을 능가하지는 못했다.
• 개별 아키텍처 중에서 인셉션-01 모델이 과제 1에서 최고 성능을 기록하여 점수 0.52/0.43를 달성하였으며, 이는 이상 감지에 있어 뛰어난 일반화 능력을 보임을 시사한다.
• 결과는 스펙트로그램의 다양성과 딥 러닝 아키텍처를 융합할 경우 감지 정확도가 크게 향상됨을 확인하며, 자동화된 호흡기 운동 분석의 임상적 잠재력에 대한 지원을 제공한다.