[논문 리뷰] Pneumonia Detection in Chest X-Rays using Neural Networks

Narayana Darapaneni, Ashish Ranjan외 5명|arXiv (Cornell University)|2022. 04. 07.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 논문은 RSNA 데이터셋의 폐부 X선 영상에서 폐렴 검출을 위해 Xception, InceptionV3/V4, EfficientNetB7와 같은 아키텍처를 활용한 전이 학습과 경량화된 컨볼루션 신경망(CNN)을 조합한 방법을 제안한다. 제한된 계산 자원 조건에서도 하이퍼파rameter 조정 없이 YOLOv3를 사용하여 평균 평균 정밀도(mAP) 0.32를 달성하였으며, 손실 값이 여전히 감소하고 있어 향후 훈련을 더 진행할 경우 성능 향상 가능성을 시사한다.

ABSTRACT

With the advancement in AI, deep learning techniques are widely used to design robust classification models in several areas such as medical diagnosis tasks in which it achieves good performance. In this paper, we have proposed the CNN model (Convolutional Neural Network) for the classification of Chest X-ray images for Radiological Society of North America Pneumonia (RSNA) datasets. The study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The proposed method is based on a non-complex CNN and the use of transfer learning algorithms like Xception, InceptionV3/V4, EfficientNetB7. Along with this, the study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The RSNA benchmark MAP score is 0.25, but using the Mask RCNN model on a stratified sample of 3017 along with image augmentation gave a MAP score of 0.15. Meanwhile, the YoloV3 without any hyperparameter tuning gave the MAP score of 0.32 but still, the loss keeps decreasing. Running the model for a greater number of iterations can give better results.

연구 동기 및 목표

• 깊이 학습을 활용한 폐부 X선 영상에서의 폐렴 분류 모델을 강력하고 효율적으로 개발하기 위해.
• 제한된 계산 자원 조건에서도 RSNA 폐렴 검출 벤치마크에서 경쟁적인 성능을 달성하기 위해.
• Xception, InceptionV3/V4, EfficientNetB7와 같은 모델을 활용한 전이 학습의 의료 영상 분류에서의 효과를 평가하기 위해.
• 데이터 증강 및 모델 아키텍처 선택이 검출 성능에 미치는 영향을 탐색하기 위해.
• Mask R-CNN과 YOLOv3와 같은 다양한 딥 러닝 모델이 RSNA 데이터셋에서 어떻게 성능을 내는지 비교하기 위해.

제안 방법

• 연구는 폐부 X선 영상에서 특징을 추출하기 위해 비복잡한 CNN 아키텍처를 사용한다.
• Xception, InceptionV3/V4, EfficientNetB7와 같은 사전 학습된 모델을 활용해 전이 학습을 적용한다.
• 모델의 일반화 및 강건성을 향상시키기 위해 이미지 증강 기법을 사용한다.
• RSNA 벤치마크에서 평균 평균 정밀도(mAP) 지표를 사용해 성능을 평가한다.
• 하이퍼파rameter 조정 없이 YOLOv3를 사용해 객체 검출 능력을 평가한다.
• Mask R-CNN 모델을 훈련 및 평가하기 위해 3,017장의 계층적 샘플을 사용한다.

실험 결과

연구 질문

• RQ1 제한된 계산 자원 조건에서도 전이 학습을 적용한 경량 CNN이 폐렴 검출에서 경쟁적인 성능을 낼 수 있는가?
• RQ2 하이퍼파rameter 조정 없이 YOLOv3와 Mask R-CNN의 mAP 성능은 RSNA 데이터셋에서 어떻게 비교되는가?
• RQ3 데이터 증강이 폐렴 검출 모델의 일반화 능력 향상에 어느 정도 기여하는가?
• RQ4 EfficientNetB7와 같은 효율적인 아키텍처가 이 의료 영상 작업에서 표준 모델을 초월할 수 있는가?
• RQ5 YOLOv3의 지속적인 훈련은 관측된 0.32 점수를 초월해 더 높은 mAP를 달성하는가?

주요 결과

• YOLOv3는 하이퍼파rameter 조정 없이 RSNA 데이터셋에서 평균 평균 정밀도(mAP) 0.32를 달성하였으며, RSNA 기준점인 0.25를 초월하였다.
• Mask R-CNN 모델은 3,017장의 계층적 샘플에서 mAP 0.15를 기록하여 최적화 개선 여지가 있음을 시사하였다.
• YOLOv3 모델의 손실 값은 훈련 중 계속 감소하여 추가 훈련으로 더 높은 mAP 점수를 얻을 수 있음을 시사한다.
• Xception, InceptionV3/V4, EfficientNetB7와 같은 모델을 활용한 전이 학습이 폐렴 검출 작업의 성능 향상에 성공적으로 적용되었다.
• 이미지 증강은 모델의 강건성을 향상시켰지만, 요약에서는 구체적인 정량적 성과는 보고되지 않았다.
• 합리적인 모델 선택과 데이터 증강 전략을 통해 최소한의 계산 자원으로도 높은 성능을 달성할 수 있음을 본 연구는 입증하였다.