[논문 리뷰] Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images

Mahesh Gour, Sweta Jain|arXiv (Cornell University)|2020. 06. 22.

COVID-19 diagnosis using AI참고 문헌 39인용 수 34

한 줄 요약

이 논문은 COVID-19 X-선 데이터셋으로 학습된 스택드 CNN 앙상블(CovNet30 + VGG19 서브모델)과 로지스틱 회귀를 결합하여 COVID-19, Normal, Pneumonia를 고정밀도로 분류하는 방법을 제시합니다.

ABSTRACT

Automatic and rapid screening of COVID-19 from the chest X-ray images has become an urgent need in this pandemic situation of SARS-CoV-2 worldwide in 2020. However, accurate and reliable screening of patients is a massive challenge due to the discrepancy between COVID-19 and other viral pneumonia in X-ray images. In this paper, we design a new stacked convolutional neural network model for the automatic diagnosis of COVID-19 disease from the chest X-ray images. We obtain different sub-models from the VGG19 and developed a 30-layered CNN model (named as CovNet30) during the training, and obtained sub-models are stacked together using logistic regression. The proposed CNN model combines the discriminating power of the different CNN`s sub-models and classifies chest X-ray images into COVID-19, Normal, and Pneumonia classes. In addition, we generate X-ray images dataset referred to as COVID19CXr, which includes 2764 chest x-ray images of 1768 patients from the three publicly available data repositories. The proposed stacked CNN achieves an accuracy of 92.74%, the sensitivity of 93.33%, PPV of 92.13%, and F1-score of 0.93 for the classification of X-ray images. Our proposed approach shows its superiority over the existing methods for the diagnosis of the COVID-19 from the X-ray images.

연구 동기 및 목표

• 가슴 X-선 영상에서 COVID-19, Normal, Pneumonia를 구분하는 자동 CAD 시스템을 개발한다.
• 공개 소스로부터 COVID19CXr 데이터셋을 생성하고 선별한다.
• 다양한 서브모델을 활용해 진단 성능을 향상시키는 스택드 CNN 프레임워크를 설계한다.

제안 방법

• X-선 데이터에서 30층 CNN인 CovNet30을 처음부터 학습시킨다.
• X-선 데이터셋에서 사전 학습된 VGG19 모델을 미세조정한다.
• 학습 중에 CovNet30과 VGG19로부터 다섯 개의 서브모델을 생성한다.
• 로지스틱 회귀를 사용해 서브모델의 예측을 스택하여 최종 스택드 분류기를 형성한다.
• 정확도, 민감도, 특이도, PPV, F1, AUC를 포함한 지표로 5-폴드 교차검증으로 평가한다.

실험 결과

연구 질문

• RQ1 스택드 CNN 앙상블이 개별 모델보다 흉부 X-선에서 멀티클래스 COVID-19, Normal, Pneumonia 진단 정확도를 향상시킬 수 있는가?
• RQ2 COVID19CXr 데이터셋에서 스택드 모델의 진단 성능(민감도, 특이도, 정확도, PPV, F1, AUC)은 어떠한가?
• RQ3 제안된 방법이 독립적인 CovNet30 및 VGG19 모델과 비교하여 어떤 차이가 있는가?
• RQ4 클래스 불균형 및 작은 COVID-19 샘플 크기에 대해 폴드 간 모델의 견고성이 있는가?

주요 결과

폴드	민감도 (%)	특이도 (%)	정확도 (%)	오차 ± CI (%)	PPV (%)	F1-점수	AUC ± CI
Fold1	95.5	98.19	96.94	3.06 ± 1.42	97.69	0.97	0.989 ± 0.003
Fold2	92.66	94.97	91.44	8.56 ± 2.39	91.32	0.92	0.982 ± 0.015
Fold3	91.45	95.01	91.34	8.66 ± 2.35	92.13	0.92	0.982 ± 0.011
Fold4	92.47	94.77	90.22	9.78 ± 2.48	85.97	0.88	0.977 ± 0.023
Fold5	94.59	96.12	93.74	6.26 ± 2.02	93.54	0.94	0.981 ± 0.009

• 5폴드 전체 평균 정확도 92.74%.
• 평균 민감도 93.33% 및 평균 특이도 95.81%.
• 평균 PPV 92.13–92.74% 및 F1-점수 0.93.
• COVID-19 클래스의 평균 AUC 0.994(CI 제공); 전체 평균 AUC 0.984.
• 스택드 CNN이 CovNet30 및 VGG19 단독 모델보다 우수한 성능을 보인다.
• 서브모델은 폴드별로 다른 성능을 보이나, 스택드 모델이 최상위 결과를 도출한다.