[논문 리뷰] Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images

Safa Ben Atitallah, Maha Driss외 2명|arXiv (Cornell University)|2021. 05. 17.

COVID-19 diagnosis using AI참고 문헌 14인용 수 6

한 줄 요약

이 논문은 전이 학습 없이 무작위 초기화된 컬러리션 신경망(CNN)을 제안하여 흉부 X-ray 영상에서 코로나19를 탐지한다. 아키텍처를 사전 학습된 가중치 없이 완전히 새로 훈련시키며, 공개 데이터셋인 COVIDx와 향상된 코로나19 데이터셋에서 각각 94% 및 99%의 정확도를 달성하여 전이 학습 없이도 뛰어난 성능을 보임을 입증한다.

ABSTRACT

By the start of 2020, the novel coronavirus disease (COVID-19) has been declared a worldwide pandemic. Because of the severity of this infectious disease, several kinds of research have focused on combatting its ongoing spread. One potential solution to detect COVID-19 is by analyzing the chest X-ray images using Deep Learning (DL) models. In this context, Convolutional Neural Networks (CNNs) are presented as efficient techniques for early diagnosis. In this study, we propose a novel randomly initialized CNN architecture for the recognition of COVID-19. This network consists of a set of different-sized hidden layers created from scratch. The performance of this network is evaluated through two public datasets, which are the COVIDx and the enhanced COVID-19 datasets. Both of these datasets consist of 3 different classes of images: COVID19, pneumonia, and normal chest X-ray images. The proposed CNN model yields encouraging results with 94% and 99% of accuracy for COVIDx and enhanced COVID-19 dataset, respectively.

연구 동기 및 목표

• 흉부 X-ray 영상으로부터 코로나19를 조기에 탐지하기 위한 딥 러닝 모델을 개발하는 것.
• 사전 학습된 가중치 없이 무작위 초기화로부터 훈련된 CNN의 성능을 조사하는 것.
• 정상, 폐렴 및 코로나19 X-ray 영상이 포함된 다양한 공개 데이터셋에서 모델을 평가하는 것.
• 사전 설계된 CNN 아키텍처가 전이 학습 없이도 높은 정확도를 달성할 수 있음을 보여주는 것.

제안 방법

• 다양한 크기의 여러 은닉층을 포함하는 새로운 CNN 아키텍처를 완전히 새로 설계함.
• 교차 엔트로피 손실을 사용하여 확률적 경사 하강법으로 엔드 투 엔드로 네트워크를 훈련함.
• 일반화 성능 향상과 과적합 방지를 위해 데이터 증강 기법을 적용함.
• 모델은 두 개의 공개 데이터셋인 COVIDx와 향상된 코로나19 데이터셋에서 평가됨.
• 훈련 과정에서 ImageNet 또는 기타 사전 학습된 가중치를 사용하지 않고 순수하게 무작위 초기화만을 사용함.
• 과적합 방지를 위해 초기 조정 및 조기 정지 기법을 통해 아키텍처를 최적화함.

실험 결과

연구 질문

• RQ1 전이 학습 없이 무작위 초기화된 CNN이 흉부 X-ray 영상에서 코로나19를 분류하는 데 높은 정확도를 달성할 수 있는가?
• RQ2 공개 코로나19 X-ray 데이터셋에서 사전 학습된 모델과 비교해 볼 때, 커스터마이즈된 CNN의 성능은 어떠한가?
• RQ3 데이터 증강 및 아키텍처 설계가 낮은 데이터 환경에서 모델의 일반화에 어떤 영향을 미치는가?
• RQ4 완전히 새로 훈련된 CNN은 정상, 폐렴 및 코로나19 X-ray 영상 간을 효과적으로 구분할 수 있는가?

주요 결과

• 제안된 CNN은 정상, 폐렴 및 코로나19 X-ray 영상가 포함된 COVIDx 데이터셋에서 94%의 정확도를 달성함.
• 향상된 코로나19 데이터셋에서는 모델의 정확도가 99%에 도달하여 향상된 데이터에서 강력한 일반화 성능을 보임.
• 결과적으로 사전 학습된 ImageNet 가중치에 의존하지 않더라도 무작위 초기화가 경쟁 가능한 성능을 낼 수 있음을 입증함.
• 모델 성능은 소수의 샘플만 있는 의료 영상 작업에서 아키텍처 설계와 데이터 증강의 효과성을 강조함.
• 전이 학습이 없는 상태에서도 성능에 지장을 주지 않아, 전문화된 의료 분류 작업에 대해 커스터마이즈된 훈련이 충분할 수 있음을 시사함.
• 특히 데이터 품질과 다양성이 향상된 경우, 모델은 다양한 데이터 분포에 대해 뛰어난 견고성을 보임.