[논문 리뷰] TeliNet, a simple and shallow Convolution Neural Network (CNN) to Classify CT Scans of COVID-19 patients.

Mohammad Nayeem Teli|arXiv (Cornell University)|2021. 07. 10.

COVID-19 diagnosis using AI참고 문헌 18인용 수 1

한 줄 요약

TeliNet는 높은 정확도로 코로나19 환자의 CT 스캔을 분류하기 위해 설계된 경량이며 浅층적인 합성곱 신경망(CNN)이다. 계산 복잡도를 낮추면서도 VGGNet 및 기준 모델보다 뛰어난 F1 스코어를 달성한다.

ABSTRACT

Hundreds of millions of cases and millions of deaths have occurred worldwide due to COVID-19. The fight against this pandemic is on-going on multiple fronts. While vaccinations are picking up speed, there are still billions of unvaccinated people. In this fight diagnosis of the disease and isolation of the patients to prevent any spreads play a huge role. Machine Learning approaches have assisted the diagnosis of COVID-19 cases by analyzing chest X-ray and CT-scan images of patients. In this research we present a simple and shallow Convolutional Neural Network based approach, TeliNet, to classify CT-scan images of COVID-19 patients. Our results outperform the F1 score of VGGNet and the benchmark approaches. Our proposed solution is also more lightweight in comparison to the other methods.

연구 동기 및 목표

• 빠르고 정확한 CT 스캔을 통한 코로나19 분류를 위한 경량 딥러닝 모델을 개발하기 위해.
• 제한된 계산 자원을 가진 지역에서의 효율적인 진단 도구가 필요함을 해결하기 위해.
• 더 단순한 아키텍처를 사용하여 기존의 기준 모델인 VGGNet보다 분류 성능을 향상시키기 위해.
• 코로나19 검출의 진단 정확도를 훼손하지 않으면서 모델 복잡도를 감소시키기 위해.

제안 방법

• 계산 부담을 줄이기 위해 더 적은 층과 파라미터를 가진 얕은 합성곱 신경망(CNN) 아키텍처를 설계하기 위해.
• CT 스캔 이미지에서 공간적 특징을 추출하기 위해 합성곱 층을 활용하기 위해.
• 특징 학습 및 차원 감소를 위해 ReLU 활성화 함수와 풀링 층과 같은 표준 딥러닝 구성 요소를 적용하기 위해.
• 분류 성능를 최적화하기 위해 레이블이 부여된 CT 스캔 데이터셋을 기반으로 모델을 종단 간 훈련하기 위해.
• 모델 훈련을 위해 확률적 경사 하강법과 같은 표준 최적화 기법을 활용하기 위해.
• 테스트 세트의 CT 스캔을 대상으로 F1 스코어, 정밀도, 재현율과 같은 표준 지표를 사용하여 성능 평가하기 위해.

실험 결과

연구 질문

• RQ1 얕고 경량인 CNN이 코로나19 CT 스캔 분류에서 VGGNet과 같은 깊은 모델보다 더 높은 F1 스코어를 달성할 수 있는가?
• RQ2 모델의 단순성은 높은 진단 정확도를 유지하면서 계산 비용을 얼마나 줄일 수 있는가?
• RQ3 TeliNet은 F1 스코어와 추론 효율성 측면에서 기존의 기준 모델과 비교해 어떻게 성과를 내는가?
• RQ4 최소한의 아키텍처로도 신뢰할 수 있는 코로나19 분류를 위해 CT 스캔 이미지에서 분류 가능한 특징을 추출하는 데에 충분한가?

주요 결과

• TeliNet는 동일한 CT 스캔 분류 작업에서 VGGNet보다 더 높은 F1 스코어를 달성한다.
• 제안된 모델은 분류 성능 측면에서 기준 접근 방식을 능가한다.
• TeliNet는 가벼운 아키텍처를 유지하여 자원이 제한된 환경에서의 구현에 적합하다.
• 모델의 단순성과 파라미터 수 감소에도 불구하고 강력한 진단 성능를 보여준다.