[논문 리뷰] Multi-Channel Transfer Learning of Chest X-ray Images for Screening of COVID-19

Sampa Misra, Seungwan Jeon외 3명|arXiv (Cornell University)|2020. 05. 12.

COVID-19 diagnosis using AI참고 문헌 22인용 수 11

한 줄 요약

이 논문은 흉부 X선에서 코로나19 스크리닝을 향상시키기 위해 ResNet 기반 모델을 사용하는 다중 채널 전이 학습 프레임워크를 제안한다. 정상/질환, 폐렴/비폐렴, 코로나19/비코로나19라는 서로 다른 데이터셋에서 각각 전문화된 모델 세 개를 훈련하고 앙상블한 후, 통합된 데이터셋에서 미세조정을 수행함으로써, 94% 정밀도와 100% 재현율을 달성하여 단일 모델 기반 베이스라인을 능가한다.

ABSTRACT

The 2019 novel coronavirus (COVID-19) has spread rapidly all over the world and it is affecting the whole society. The current gold standard test for screening COVID-19 patients is the polymerase chain reaction test. However, the COVID-19 test kits are not widely available and time-consuming. Thus, as an alternative, chest X-rays are being considered for quick screening. Since the presentation of COVID-19 in chest X-rays is varied in features and specialization in reading COVID-19 chest X-rays are required thus limiting its use for diagnosis. To address this challenge of reading chest X-rays by radiologists quickly, we present a multi-channel transfer learning model based on ResNet architecture to facilitate the diagnosis of COVID-19 chest X-ray. Three ResNet-based models (Models a, b, and c) were retrained using Dataset_A (1579 normal and 4429 diseased), Dataset_B (4245 pneumonia and 1763 non-pneumonia), and Dataset_C (184 COVID-19 and 5824 Non-COVID19), respectively, to classify (a) normal or diseased, (b) pneumonia or non-pneumonia, and (c) COVID-19 or non-COVID19. Finally, these three models were ensembled and fine-tuned using Dataset_D (1579 normal, 4245 pneumonia, and 184 COVID-19) to classify normal, pneumonia, and COVID-19 cases. Our results show that the ensemble model is more accurate than the single ResNet model, which is also re-trained using Dataset_D as it extracts more relevant semantic features for each class. Our approach provides a precision of 94 % and a recall of 100%. Thus, our method could potentially help clinicians in screening patients for COVID-19, thus facilitating immediate triaging and treatment for better outcomes.

연구 동기 및 목표

• 코로나19의 PCR 검사 자원 부족과 결과 도착 지연 문제를 해결하기 위해 흉부 X선을 활용한 빠르고 자동화된 스크리닝을 가능하게 하기 위해.
• 전문성이 부족한 상태에서 X선 영상에서 다양하고 미세한 코로나19 소견을 정확히 해석하는 데 어려움을 겪는 방사선과 전문의의 문제를 해결하기 위해.
• 다양한 전문화된 작업 간 전이 학습을 활용하여 진단 성능을 향상시키는 딥 러닝 모델을 개발하기 위해.
• 앙상블 학습과 미세조정을 통해 정상, 폐렴, 코로나19 세 가지 클래스의 분류 정확도를 향상시키기 위해.

제안 방법

• 정상 대 질환, 폐렴 대 비폐렴, 코로나19 대 비코로나19라는 서로 다른 데이터셋에서 각각 훈련된 세 개의 별도 ResNet 기반 모델(a, b, c)을 사용하였다: 데이터셋_A(정상 대 질환), 데이터셋_B(폐렴 대 비폐렴), 데이터셋_C(코로나19 대 비코로나19).
• 각 모델은 ImageNet에서 초기화된 가중치를 사용하고, 해당 모델의 전용 진단 과제에 맞게 미세조정되어 전문화되었다.
• 세 개의 전문화된 모델을 앙상블하여 데이터셋_D에서 공동으로 미세조정하였으며, 이는 정상, 폐렴, 코로나19 사례를 통합한 다중 클래스 분류를 위한 것이다.
• 앙상블 모델은 각 채널에서 학습된 상호보완적인 특징을 활용하여, 세 클래스 모두에 대한 일반화 능력과 특징 표현 능력을 향상시켰다.
• 모델 초기화에 ImageNet 가중치를 사용하고, 레이블이 제한된 의료 영상 과제에 적응시키기 위해 전이 학습을 적용하였다.

실험 결과

연구 질문

• RQ1 단일 모델 접근 방식에 비해 다중 채널 전이 학습이 흉부 X선에서의 코로나19 검출 정확도 향상에 기여하는가?
• RQ2 예를 들어 폐렴 대 비폐렴과 같은 별도의 진단 과제에서 전문화된 모델을 훈련시키는 것이 후속 다중 클래스 분류에 대한 특징 학습을 향상시키는가?
• RQ3 다양한 전문화된 모델을 앙상블하고 미세조정하는 것이 통합된 데이터셋에서 단일 모델을 재훈련하는 것보다 성능 향상에 기여하는가?
• RQ4 전이 학습은 코로나19와 같은 희귀 질환에 대해 의료 영상에서의 데이터 부족 문제를 어느 정도 완화할 수 있는가?

주요 결과

• 앙상블 다중 채널 전이 학습 모델은 흉부 X선에서 정상, 폐렴, 코로나19 사례를 분류하는 데 94% 정밀도와 100% 재현율을 달성하였다.
• 제안된 방법은 통합된 데이터셋_D에 대해 재훈련된 단일 ResNet 모델보다 성능이 뛰어나, 전문화된 사전 훈련과 앙상블 학습의 이점을 입증하였다.
• 100%의 높은 재현율은 실제 코로나19 환자 모두를 성공적으로 식별했음을 의미하며, 거짓 음성 결과를 최소화했다.
• 다양한 전문화된 채널을 사용함으로써 각 클래스에 대해 더 관련성 있고 구분력 있는 의미적 특징을 추출할 수 있었다.