[논문 리뷰] TBNet:Pulmonary Tuberculosis Diagnosing System using Deep Neural Networks

Ram Srivatsav Ghorakavi|arXiv (Cornell University)|2019. 02. 24.

COVID-19 diagnosis using AI참고 문헌 22인용 수 6

한 줄 요약

이 논문은 소규모 공개 데이터셋에서 흉부 X선을 이용한 폐결핵 진단을 향상시키기 위해 기존의 주목할 만한 특징(Haar 및 LBP)과 데이터 증강을 통합한 딥러닝 시스템인 TBNet을 제안한다. 원본 이미지와 Haar 및 LBP 특징맵(노이즈가 있거나 부분적으로 추출된 특징 포함)을 융합함으로써 ResNet-18 성능을 10% 향상시켜 테스트 정확도 75.4%를 달성하였으며, 기준 방법 대비 일반화 능력과 수렴 속도가 크게 향상되었다.

ABSTRACT

Tuberculosis is a deadly infectious disease prevalent around the world. Due to the lack of proper technology in place, the early detection of this disease is unattainable. Also, the available methods to detect Tuberculosis is not up-to a commendable standards due to their dependency on unnecessary features, this make such technology obsolete for a reliable health-care technology. In this paper, I propose a deep-learning based system which diagnoses tuberculosis based on the important features in Chest X-rays along with original chest X-rays. Employing our system will accelerate the process of tuberculosis diagnosis by overcoming the need to perform the time-consuming sputum-based testing method (Diagnostic Microbiology). In contrast to the previous methods \cite{kant2018towards, melendez2016automated}, our work utilizes the state-of-the-art ResNet \cite{he2016deep} with proper data augmentation using traditional robust features like Haar \cite{viola2005detecting,viola2001rapid} and LBP \cite{ojala1994performance,ojala1996comparative}. I observed that such a procedure enhances the rate of tuberculosis detection to a highly satisfactory level. Our work uses the publicly available pulmonary chest X-ray dataset to train our network \cite{jaeger2014two}. Nevertheless, the publicly available dataset is very small and is inadequate to achieve the best accuracy. To overcome this issue I have devised an intuitive feature based data augmentation pipeline. Our approach shall help the deep neural network \cite{lecun2015deep,he2016deep,krizhevsky2012imagenet} to focus its training on tuberculosis affected regions making it more robust and accurate, when compared to other conventional methods that use procedures like mirroring and rotation. By using our simple yet powerful techniques, I observed a 10\% boost in performance accuracy.

연구 동기 및 목표

• 느린 인간 중심의 기관지분비물 검사에 의존하는 것을 줄이기 위해 흉부 X선을 이용한 빠르고 정확하며 자율적인 결핵 진단 시스템을 개발하는 것.
• 기존의 의료 영상 데이터셋이 부족한 문제를 해결하기 위해 전통적 특징(Haar 및 LBP) 기반의 새로운 데이터 증강 파이프라인을 도입하는 것.
• 병변 관련 영역에 집중함으로써 소규모이고 불균형한 결핵 X선 데이터셋에서 딥 네트워크의 일반화 능력과 성능을 향상시키는 것.
• 주목할 만한 특징 추출과 딥러닝을 융합한 방법이 기존의 데이터 증강 및 단일 특징 방법보다 우수한 성능을 내는지 입증하는 것.

제안 방법

• 시스템은 원본 흉부 X선과 Haar 및 LBP 변환으로 유도된 합성 특징맵을 조합한 데이터셋으로 미세조정된 ResNet-18 아키텍처를 사용한다.
• 데이터 증강 파이프라인은 원본 X선에 Haar 및 LBP 특징 추출을 적용하여 노이즈가 있거나 완전하지 않은 특징 출력도 포함한 추가 학습 샘플을 생성한다.
• 영역 중심으로 자르기(region-of-interest cropping)를 적용하여 수동으로 결핵 영향을 받은 폐 부위를 식별하고 강조함으로써 모델이 병리적 특징에 더 집중하도록 한다.
• 원본 이미지, Haar 특징, LBP 특징, 그리고 잘라낸 주목할 만한 영역을 통합하여 단일 학습 세트로 구성함으로써 모델의 강건성 향상.
• 조기 정지와 학습률 스케줄링을 사용하여 학습을 수행하며, 여러 검증 및 테스트 분할에서 성능을 모니터링한다.
• 진단적 관련성을 유지하기 위해 표준 증강(예: 회전, 뒤집기)을 피하고 콘텐츠 인식 기반 특징 기반 증강을 선호한다.

실험 결과

연구 질문

• RQ1 주목할 만한 특징 기반 데이터 증강이 소규모 공개 TB X선 데이터셋에서 딥러닝 성능을 향상시킬 수 있는가?
• RQ2 Haar 및 LBP와 같은 다수의 특징 추출 기법을 딥러닝과 융합하면 단일 특징 또는 기존 증강 방법보다 더 높은 진단 정확도를 달성할 수 있는가?
• RQ3 노이즈가 있거나 부분적으로 추출된 특징의 포함이 결핵 검출에서 모델의 수렴 및 일반화에 어떤 영향을 미치는가?
• RQ4 병변 관련 특징에 의해 안내되는 딥 네트워크가 제한된 데이터로 높은 정확도와 빠른 수렴을 달성할 수 있는가?
• RQ5 의료 영상 분류에서 특징 기반 데이터 증강이 표준 데이터 증강 기법보다 얼마나 뛰어난가?

주요 결과

• Haar 및 LBP 특징과 원본 이미지를 융합한 제안된 데이터 증강 방법은 테스트 정확도를 75.42579%로 끌어올려 원본 이미지만을 사용한 기준 방법 대비 10% 향상시켰다.
• 노이즈가 있는 LBP 및 Haar 특징을 포함한 케이스 2는 최고의 검증 정확도(81.333%)와 테스트 정확도(75.42579%)를 기록하여 단일 특징 및 비노이즈 케이스를 모두 초월했다.
• 케이스 2에서는 훈련 손실가 더 빠르고 안정적으로 수렴하여 더 rich하고 정보가 풍부한 특징 데이터 덕분에 최적화 역학이 향상됨을 시사했다.
• 증강된 데이터로 학습된 모델는 기준 모델보다 더 나은 일반화 능력을 보였으며, 원본 데이터 전용 케이스에서 관찰된 다수의 결정 경계와는 달리 특징 공간에서 단일이고 안정된 결정 경계를 형성했다.
• ResNet-18에 더 많은 합성곱층을 추가해도 30 에포크를 넘어서는 정확도 향상이 없었으며, 이는 데이터 제약으로 인해 성능 포화 상태에 도달했음을 시사했다.
• Haar 및 LBP와 같은 주목할 만한 특징의 포함은 모델이 결핵 영향을 받은 영역에 더 집중하도록 유도하여 대규모 데이터 의존도를 줄이고 소규모 데이터셋에서의 성능 향상에 기여했다.