[논문 리뷰] Monkeypox virus detection using pre-trained deep learning-based approaches

Chiranjibi Sitaula, Tej Bahadur Shahi|arXiv (Cornell University)|2022. 09. 06.

Poxvirus research and outbreaks인용 수 7

한 줄 요약

이 연구는 공개 데이터셋을 기반으로 전이 학습을 사용하여 13개의 사전 훈련된 딥러닝 모델을 융합하여 홍진병 바이러스 감지에 활용하는 방법을 제안한다. 확률적 출력을 다수결 투표 방식으로 융합함으로써, 이 방법은 87.13%의 정확도, 85.44%의 정밀도, 85.47%의 재현율, 85.40%의 F1 점수를 달성하였으며, 최신 기술 수준의 접근 방식을 능가하며 Grad-CAM과 LIME를 통해 강력한 일반화 능력과 해석 가능성을 입증하였다.

ABSTRACT

Monkeypox virus is emerging slowly with the decline of COVID-19 virus infections around the world. People are afraid of it, thinking that it would appear as a pandemic like COVID-19. As such, it is crucial to detect them earlier before widespread community transmission. AI-based detection could help identify them at the early stage. In this paper, we aim to compare 13 different pre-trained deep learning (DL) models for the Monkeypox virus detection. For this, we initially fine-tune them with the addition of universal custom layers for all of them and analyse the results using four well-established measures: Precision, Recall, F1-score, and Accuracy. After the identification of the best-performing DL models, we ensemble them to improve the overall performance using a majority voting over the probabilistic outputs obtained from them. We perform our experiments on a publicly available dataset, which results in average Precision, Recall, F1-score, and Accuracy of 85.44\%, 85.47\%, 85.40\%, and 87.13\%, respectively with the help of our proposed ensemble approach. These encouraging results, which outperform the state-of-the-art methods, suggest that the proposed approach is applicable to health practitioners for mass screening.

연구 동기 및 목표

• 전이 학습을 활용하여 공개 데이터셋에서 홍진병 바이러스 감지에 적합한 13개의 사전 훈련된 딥러닝 모델을 평가하고 비교한다.
• 확률적 출력에 대한 다수결 투표를 통해 앙상블 학습을 통해 감지 성능을 향상시킨다.
• Grad-CAM과 LIME 해석 기법을 활용하여 모델의 강건성과 해석 가능성을 검증한다.
• 제한된 데이터와 홍진병 및 풍진병 간 유사한 시각적 특성으로 인한 도전 과제를 해결하기 위해 앙상블 학습을 통해 분류 성능를 향상시킨다.
• 임상 환경에서 홍진병의 조기 대량 스크리닝을 위한 구현 가능한 고정확도 AI 솔루션을 제공한다.

제안 방법

• Xception, DenseNet, Inception 등 다양한 사전 훈련된 딥러닝 모델(예: Xception, DenseNet, Inception)을 사용하여 전이 학습을 통해 맞춤형 분류 헤드를 적용하여 미세조정하였다.
• 공개된 홍진병 영상 데이터셋에서 모델의 일반화 능력을 향상시키기 위해 데이터 증강 및 클래스 균형 기법을 적용하였다.
• 성능이 뛰어난 모델들의 확률적 출력을 기반으로 다수결 투표 방식을 활용하여 앙상블 분류기 구성하였다.
• 모델의 해석 가능성을 확보하기 위해 Grad-CAM과 LIME를 활용하여 바이러스에 감염된 피부 병변에서의 분류 기여 영역을 시각화하였다.
• 5겹 교차검증을 기반으로 표준 평가 지표인 정밀도, 재현율, F1 점수, 정확도를 사용하여 성능을 평가하였다.
• 가장 뛰어난 성능를 보인 Xception 모델을 선정하여 해석 가능성 분석의 기준으로 활용하였다.

실험 결과

연구 질문

• RQ1 피부 병변 영상에서 홍진병 바이러스 감지에 가장 우수한 성능를 보이는 사전 훈련된 딥러닝 모델은 무엇인가?
• RQ2 제한된 비율의 불균형한 의료 영상 데이터에서 앙상블 학습이 개별 모델의 성능을 초월할 수 있는가?
• RQ3 Grad-CAM과 LIME 등의 해석 기법은 감지 시스템의 해석 가능성과 신뢰성에 어떻게 기여하는가?
• RQ4 모델은 홍진병과 시각적으로 유사한 질환인 풍진병 및 홍진병을 어느 정도 정확히 구분할 수 있는가?
• RQ5 제안된 앙상블 방법은 정확도와 강건성 측면에서 기존 최신 기술 수준의 접근 방식을 능가하는가?

주요 결과

• 제안된 앙상블 모델은 5겹 교차검증 기반으로 평균 정확도 87.13%, 정밀도 85.44%, 재현율 85.47%, F1 점수 85.40%를 달성하였다.
• 개별 모델 중에서 Xception 모델이 가장 뛰어난 성능를 보였으며, 정확도 86.51%, 재현율 85.14%, 정밀도 85.14%, F1 점수 85.02%를 기록하였다.
• 앙상블 방법은 개별 모델과 최신 기술 수준의 방법을 모두 뛰어넘었으며, 특히 홍진병과 정상 케이스를 100% 정확도로 식별하는 데 뛰어난 성능를 보였다.
• Grad-CAM 시각화 결과에서 노란색 영역으로 바이러스에 감염된 병변 영역이 명확히 강조되어, 모델이 생물학적으로 관련 있는 특징에 집중하고 있음을 확인하였다.
• LIME는 슈퍼픽셀 기반으로 잠재적으로 감염된 영역을 정확히 국소화하여, 모델의 일관성과 해석 가능성을 확인하였다.
• Grad-CAM 분석과 혼동 행렬 분석을 통해 홍진병과 풍진병 간의 유사한 피부 병변 패atters로 인해 두 질환을 구분하는 데 한계를 보였다.