[논문 리뷰] Towards an Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images

Eduardo Luz, Pedro Silva외 2명|arXiv (Cornell University)|2020. 04. 12.

COVID-19 diagnosis using AI인용 수 37

한 줄 요약

이 논문은 효율적인 신경망 아키텍처 기반의 효율적인 딥러닝 모델을 제안하며, 흉부 X선에서 코로나19를 감지하기 위해 계층적 분류기를 사용한다. 이 모델은 5~30배 적은 파rameter를 사용함으로써 계산 비용을 크게 감소시키면서도 총 정확도 93.9%, 민감도 96.8%, 양성 예측도 100%를 달성한다.

ABSTRACT

Confronting the pandemic of COVID-19, is nowadays one of the most prominent challenges of the human species. A key factor in slowing down the virus propagation is the rapid diagnosis and isolation of infected patients. The standard method for COVID-19 identification, the Reverse transcription polymerase chain reaction method, is time-consuming and in short supply due to the pandemic. Thus, researchers have been looking for alternative screening methods and deep learning applied to chest X-rays of patients has been showing promising results. Despite their success, the computational cost of these methods remains high, which imposes difficulties to their accessibility and availability. Thus, the main goal of this work is to propose an accurate yet efficient method in terms of memory and processing time for the problem of COVID-19 screening in chest X-rays. Methods: To achieve the defined objective we exploit and extend the EfficientNet family of deep artificial neural networks which are known for their high accuracy and low footprints in other applications. We also exploit the underlying taxonomy of the problem with a hierarchical classifier. A dataset of 13,569 X-ray images divided into healthy, non-COVID-19 pneumonia, and COVID-19 patients is used to train the proposed approaches and other 5 competing architectures. Finally, 231 images of the three classes were used to assess the quality of the methods. Results: The results show that the proposed approach was able to produce a high-quality model, with an overall accuracy of 93.9%, COVID-19, sensitivity of 96.8% and positive prediction of 100%, while having from 5 to 30 times fewer parameters than other than the other tested architectures. Larger and more heterogeneous databases are still needed for validation before claiming that deep learning can assist physicians in the task of detecting COVID-19 in X-ray images.

연구 동기 및 목표

• RT-PCR 검사의 한계로 인해 급속하고 접근 가능한 코로나19 스크리닝 방법의 필요성을 해결하기 위해.
• 기존의 X선 기반 코로나19 감지 딥러닝 모델의 높은 계산 비용을 줄여 접근성을 향상시키기 위해.
• 메모리와 처리 시간 요구 사항을 최소화하면서도 높은 정확도를 유지하는 모델을 개발하기 위해.
• 건강, 비코로나19 폐렴, 코로나19의 세 가지 클래스로 구성된 13,569장의 X선 영상으로 이루어진 다양한 데이터셋에서 모델을 검증하기 위해.
• 다중 클래스 의료 영상 분석에서 모델의 효율성과 성능 향상을 위해 계층적 분류의 잠재력을 탐색하기 위해.

제안 방법

• 높은 정확도와 낮은 계산 부담으로 유명한 EfficientNet 가족의 딥 뉴럴 네트워크를 변형 및 확장하여 X선 영상에서의 코로나19 감지에 적용하기 위해.
• 분류 작업을 다중 수준으로 나누어 효율성과 의사결정의 명확성을 향상시키기 위해 계층적 분류기를 구현하기 위해.
• 건강, 비코로나19 폐렴, 코로나19로 레이블링된 13,569장의 X선 영상 데이터셋을 기반으로 모델을 훈련하기 위해.
• 세 가지 클래스에 걸쳐 231장의 별도 테스트 세트에서 성능을 평가하여 강건성과 일반화 능력을 확보하기 위해.
• 다섯 가지 다른 딥러닝 아키텍처와의 성능 및 파rameter 수를 비교하기 위해.
• 수렴 속도 향상과 성능 향상을 위해 사전 훈련된 ImageNet 가중치로 초기화함으로써 전이 학습 원리를 활용하기 위해.

실험 결과

연구 질문

• RQ1 EfficientNet 기반 모델은 낮은 계산 비용을 유지하면서도 흉부 X선에서의 코로나19 감지에 대해 높은 진단 정확도를 달성할 수 있는가?
• RQ2 계층적 분류는 코로나19를 위한 다중 클래스 X선 분석의 효율성과 성능을 어떻게 향상시키는가?
• RQ3 기존의 딥러닝 아키텍처와 비교해 제안된 모델은 정확도를 훼손하지 않으면서 파rameter 수를 얼마나 줄일 수 있는가?
• RQ4 실제 테스트 세트에서 실제 코로나19 환자를 감지할 때 모델의 민감도와 양성 예측도는 각각 얼마인가?
• RQ5 현재 데이터셋의 한계를 고려할 때 모델의 일반화 능력은 어떠한가? 더 넓은 임상 검증을 위해 어떤 추가 데이터가 필요한가?

주요 결과

• 제안된 모델은 231장의 X선 영상 테스트 세트에서 총 정확도 93.9%를 달성했다.
• 모델은 코로나19 환자를 감지하는 데 높은 민감도 96.8%를 보였으며, 참 양성의 식별 능력이 뛰어나다는 것을 시사한다.
• 양성 예측도는 100%에 도달했으며, 이는 테스트 세트에서 예측된 코로나19 환자 모두가 정확하게 확인된 것을 의미한다.
• 기존의 다섯 가지 테스트된 딥러닝 아키텍처보다 5배에서 30배 적은 파rameter를 사용하여 메모리와 처리 요구량을 크게 감소시켰다.
• 강력한 성능에도 불구하고, 더 넓은 임상 적용을 위해 더 크고 다양한 데이터셋이 필요하다는 점을 연구는 인정한다.
• EfficientNet과 계층적 분류의 조합은 의료 영상 응용 분야에서 정확도와 효율성의 균형을 이루는 데 효과적이었다.