[논문 리뷰] MOSQUITO-NET: A deep learning based CADx system for malaria diagnosis along with model interpretation using GradCam and class activation maps

Aayush Kumar, Sanat B Singh외 2명|arXiv (Cornell University)|2020. 06. 17.

Digital Imaging for Blood Diseases인용 수 7

한 줄 요약

MOSQUITO-NET는 고정밀도와 저비용 계산을 실현하는 컨볼루션 신경망 아키텍처를 사용하여 현미경 영상에서 말라리아 감염 여부를 구분하는 경량 딥러닝 기반 CADx 시스템이다. 이 시스템은 엣지 및 모바일 디바이스에의 배포를 가능하게 하며, Grad-CAM과 클래스 활성화 맵을 통합하여 모델의 해석 가능성을 높여 임상적 신뢰도를 향상시킨다.

ABSTRACT

Malaria is considered one of the deadliest diseases in today world which causes thousands of deaths per year. The parasites responsible for malaria are scientifically known as Plasmodium which infects the red blood cells in human beings. The parasites are transmitted by a female class of mosquitos known as Anopheles. The diagnosis of malaria requires identification and manual counting of parasitized cells by medical practitioners in microscopic blood smears. Due to the unavailability of resources, its diagnostic accuracy is largely affected by large scale screening. State of the art Computer-aided diagnostic techniques based on deep learning algorithms such as CNNs, with end to end feature extraction and classification, have widely contributed to various image recognition tasks. In this paper, we evaluate the performance of custom made convnet Mosquito-Net, to classify the infected and uninfected cells for malaria diagnosis which could be deployed on the edge and mobile devices owing to its fewer parameters and less computation power. Therefore, it can be wildly preferred for diagnosis in remote and countryside areas where there is a lack of medical facilities.

연구 동기 및 목표

• 의료 인프라가 제한된 지역에서 정확하고 접근 가능한 말라리아 진단 문제를 해결한다.
• 파라미터 수가 적고 추론 비용이 낮아 모바일 및 엣지 디바이스에 적합한 계산 효율성이 높은 딥러닝 모델을 개발한다.
• Grad-CAM 및 클래스 활성화 맵과 같은 해석 기법을 통합하여 진단 신뢰도를 향상시킨다.
• Giemsa 염색된 말초 혈액 도말 영상에서 Plasmodium에 감염된 적혈구를 고정밀도로 자동 탐지한다.
• 수동 현미경 검사 및 전문가의 노고에 의존도를 줄여 원격 및 농촌 지역에서 대규모 스크리닝을 지원한다.

제안 방법

• 엣지 디바이스에 적합한 경량 아키텍처를 갖춘 맞춤형 컨볼루션 신경망 아키텍처인 MOSQUITO-NET를 제안한다.
• 혈액 도말의 현미경 영상 데이터셋을 기반으로 모델을 엔드 투 엔드로 훈련하여 세포를 감염 여부로 분류한다.
• 예측 결과에 영향을 준 입력 영상의 영역을 강조하기 위해 Grad-CAM(Gradient Class Activation Mapping)을 활용하여 히트맵을 생성한다.
• 클래스 활성화 맵을 적용하여 분류 결정에 가장 기여한 영역을 시각화한다.
• 모델 크기와 추론 속도 최적화를 통해 모바일 및 저전력 디바이스와의 호환성을 확보한다.
• 제한된 훈련 데이터에서 일반화 능력과 성능을 향상시키기 위해 전이 학습 및 데이터 증강 기법을 활용한다.

실험 결과

연구 질문

• RQ1 경량 딥러닝 모델이 모바일 및 엣지 디바이스에 배포 가능한 동시에 높은 진단 정확도를 달성할 수 있는가?
• RQ2 Grad-CAM 및 클래스 활성화 맵은 말라리아 진단 모델의 의사결정 과정을 얼마나 효과적으로 시각화하고 해석할 수 있는가?
• RQ3 모델의 해석 가능성은 임상의가 자동화된 말라리아 진단 시스템에 대해 신뢰도를 높이는 데 얼마나 기여하는가?
• RQ4 정확도, 추론 속도, 모델 크기 측면에서 MOSQUITO-NET의 성능은 기존 최첨단 모델과 비교해 어떻게 되는가?
• RQ5 해석 도구의 통합은 저자원 환경에서 딥러닝 기반 CADx 시스템의 투명성과 임상적 활용 가능성을 향상시키는가?

주요 결과

• MOSQUITO-NET는 말라리아 감염 및 비감염 적혈구를 대상으로 한 벤치마크 데이터셋에서 높은 분류 정확도를 기록하여 더 큰 모델과 비교해도 강력한 성능을 보였다.
• 경량 아키텍처 덕분에 모바일 및 엣지 디바이스에서 효율적인 추론이 가능하여 원격 및 자원이 제한된 임상 환경에 적합한 배포가 가능했다.
• Grad-CAM 및 클래스 활성화 맵은 적혈구 내 기생충이 있는 영역을 성공적으로 강조하여 모델 예측에 대한 시각적 근거를 제공하고 해석 가능성을 향상시켰다.
• 해석 도구 통합으로 투명성이 향상되어 임상의가 모델 결정을 검증하고 자동 진단에 대한 신뢰를 쌓을 수 있었다.
• 모델은 미리 볼 수 없는 데이터에 대해서도 강력한 일반화 능력을 보이며 실제 대규모 스크리닝 프로그램에의 응용 가능성을 시사했다.
• 수동 현미경 검사에 대한 의존도를 줄여 말라리아 유병률이 높은 지역에서 조기에 정확하게 진단할 수 있는 확장 가능한 솔루션을 제공했다.