[논문 리뷰] Malaria detection using Deep Convolution Neural Network

Sumit Kumar, Vardhan, Harsh외 2명|arXiv (Cornell University)|2023. 03. 04.

Digital Imaging for Blood Diseases인용 수 14

한 줄 요약

이 논문은 NIH의 말라리아 데이터셋을 사용하여 말라리아에 감염된 적혈구와 비감염 적혈구를 분류하기 위해 두-layer CNN을 구축하고, 자원 제약 장치에 적합한 경량 모델로 테스트 정확도 약 95.4%를 달성한다.

ABSTRACT

The latest WHO report showed that the number of malaria cases climbed to 219 million last year, two million higher than last year. The global efforts to fight malaria have hit a plateau and the most significant underlying reason is international funding has declined. Malaria, which is spread to people through the bites of infected female mosquitoes, occurs in 91 countries but about 90% of the cases and deaths are in sub-Saharan Africa. The disease killed 4,35,000 people last year, the majority of them children under five in Africa. AI-backed technology has revolutionized malaria detection in some regions of Africa and the future impact of such work can be revolutionary. The malaria Cell Image Data-set is taken from the official NIH Website NIH data. The aim of the collection of the dataset was to reduce the burden for microscopists in resource-constrained regions and improve diagnostic accuracy using an AI-based algorithm to detect and segment the red blood cells. The goal of this work is to show that the state of the art accuracy can be obtained even by using 2 layer convolution network and show a new baseline in Malaria detection efforts using AI.

연구 동기 및 목표

• 자금 및 인력 제약 속에서 말라리아 탐지 개선을 동기로 삼는다.
• 컴팩트한 CNN이 말라리아 세포 이미지에서 최첨단 유사 정확도를 달성할 수 있음을 보여준다.
• 리소스 제약 기기(예: 모바일폰)에서 배치 가능성을 시연한다.

제안 방법

• LeNet5를 출발점으로 삼아 3채널 RGB 이미지에 맞게 적합화한다.
• 레이어당 32개의 3x3 필터와 입력 크기 64x64인 두 층의 합성곱 네트워크를 구축한다.
• 정규화를 위한 최대 풀링, 배치 정규화, 드롭아웃을 적용한다.
• 14x14x32 피처맵을 평탄화하여 두 층의 완전 연결 네트워크(512 및 256 뉴런)를 입력한다.
• Adam 옵티마이저를 사용한 범주형 교차 엔트로피 손실로 학습하고, 95% 검증 정확도에서 얼리 스톱을 적용한다.

실험 결과

연구 질문

• RQ1 컴팩트 CNN(두 층)이 더 깊은 모델에 비해 말라리아 세포 이미지 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 NIH 말라리아 데이터셋에서 기생화된(parasitized) 대 비감염(uninfected) 세포에 대한 경량 모델의 성능은 어떠한가?
• RQ3 무거운 전처리 없이 자원 제약 기기에 배치에 적합한가?

주요 결과

• 훈련은 95%의 검증 정확도에 도달했을 때 조기 중단으로 50 에폭을 학습했다.
• 테스트 정확도는 약 95.4%에 도달했다.
• 모델은 약 3.36 백만 개의 학습 가능한 파라미터를 포함하며 하드웨어 기준으로 약 20분 동안 학습됐다.
• 최종 구조는 ReLU 활성화를 가진 은닉층이 있는 2-class 소프트맥스 출력을 생성한다.
• 전처리는 CNN 입력에 들어오기 전에 이미지를 64x64로 축소한다.
• 사용된 데이터셋은 감염된 세포와 비감염 세포가 동일한 수로 27,558장의 이미지를 포함한다.