[논문 리뷰] Robust Screening of COVID-19 from Chest X-ray via Discriminative Cost-Sensitive Learning

Tianyang Li, Zhongyi Han외 4명|arXiv (Cornell University)|2020. 04. 27.

COVID-19 diagnosis using AI참고 문헌 56인용 수 48

한 줄 요약

본 논문은 chest X-ray로 COVID-19 선별을 위해 조건부 센터 손실과 점수 수준 비용 민감 학습을 결합한 Discriminative Cost-Sensitive Learning (DCSL)을 도입하여 세 가지 클래스에서의 미세한 분류를 개선하고 오진 비용을 줄이며 97.01% 정확도를 달성한다.

ABSTRACT

This paper addresses the new problem of automated screening of coronavirus disease 2019 (COVID-19) based on chest X-rays, which is urgently demanded toward fast stopping the pandemic. However, robust and accurate screening of COVID-19 from chest X-rays is still a globally recognized challenge because of two bottlenecks: 1) imaging features of COVID-19 share some similarities with other pneumonia on chest X-rays, and 2) the misdiagnosis rate of COVID-19 is very high, and the misdiagnosis cost is expensive. While a few pioneering works have made much progress, they underestimate both crucial bottlenecks. In this paper, we report our solution, discriminative cost-sensitive learning (DCSL), which should be the choice if the clinical needs the assisted screening of COVID-19 from chest X-rays. DCSL combines both advantages from fine-grained classification and cost-sensitive learning. Firstly, DCSL develops a conditional center loss that learns deep discriminative representation. Secondly, DCSL establishes score-level cost-sensitive learning that can adaptively enlarge the cost of misclassifying COVID-19 examples into other classes. DCSL is so flexible that it can apply in any deep neural network. We collected a large-scale multi-class dataset comprised of 2,239 chest X-ray examples: 239 examples from confirmed COVID-19 cases, 1,000 examples with confirmed bacterial or viral pneumonia cases, and 1,000 examples of healthy people. Extensive experiments on the three-class classification show that our algorithm remarkably outperforms state-of-the-art algorithms. It achieves an accuracy of 97.01%, a precision of 97%, a sensitivity of 97.09%, and an F1-score of 96.98%. These results endow our algorithm as an efficient tool for the fast large-scale screening of COVID-19.

연구 동기 및 목표

• 세 가지 클래스 설정에서 COVID-19를 다른 폐렴 및 건강한 X-레이와 구분하는 도전 과제 해결.
• COVID-19 위험에 초점을 맞춘 구별적이고 비용 민감한 프레임워크를 개발하여 오진 비용을 줄인다.
• 정교한 표현 학습과 클래스 인식 비용을 활용하여 선별 성능을 향상시킨다.

제안 방법

• 정밀한 COVID-19 분류를 위해 클래스 균형적이고 구분적인 표현을 학습하기 위해 조건부 센터 손실 도입.
• 모델 출력 후 도메인 정보를 반영한 비용 행렬을 적용하여 COVID-19에 편향되도록 점수 수준 비용 민감 학습 제안.
• 두 모듈을 End-to-End 최적화를 통해 Discriminative Cost-Sensitive Learning (DCSL) 프레임워크로 결합.
• 239개의 COVID-19, 1,000개의 세균/바이러스 폐렴, 1,000개의 건강 이미지로 다기관 chest X-ray 데이터셋에서 평가.
• 백본으로 VGG16 사용, ImageNet에서 전이 학습, 데이터 증강, 5-fold 교차 검증.

실험 결과

연구 질문

• RQ1 세 가지 클래스 작업에서 표준 손실 함수보다 미세한 비용 민감 접근법이 chest X-ray에서 COVID-19 선별 성능을 개선할 수 있는가?
• RQ2 센터 손실에 클래스 조건 정보를 포함하고 도메인 정보에 기반한 점수 수준 비용 행렬이 COVID-19의 오분류를 줄이는가?
• RQ3 DCSL이 세 가지 클래스 chest X-ray 작업에서 기존 CNN 아키텍처 및 COVID- 특화 모델과 비교하여 어떤 성능을 보이는가?

주요 결과

방법	정확도	정밀도	민감도	F1-점수
VGG19	0.9196	0.9238	0.9196	0.9200
Inceptionv3	0.9107	0.9113	0.9107	0.9105
ResNet50	0.9107	0.9135	0.9107	0.9104
COVID-Net	0.9330	0.9339	0.9330	0.9332
DCSL (Ours)	0.9701	0.9700	0.9709	0.9698

• DCSL은 세 가지 클래스 작업에서 97.01% 정확도, 97.00% 정밀도, 97.09% 민감도, 96.98% F1-점수를 달성한다.
• DCSL은 보고된 모든 지표에서 COVID-Net 및 다른 기준선들을 능가한다.
• 폐기 연구에서 조건부 센터 손실과 점수 수준 비용 민감 학습이 성능 향상에 크게 기여함을 보여준다.
• 세 가지 클래스 설정(COVID-19, 건강, 기타 폐렴)은 제시된 접근법으로 강한 구별성을 입증한다.