[논문 리뷰] Transfer learning and Local interpretable model agnostic based visual approach in Monkeypox Disease Detection and Classification: A Deep Learning insights

Md Manjurul Ahsan, Tareque Abu Abdullah외 5명|arXiv (Cornell University)|2022. 11. 01.

Poxvirus research and outbreaks인용 수 9

한 줄 요약

이 연구는 수정된 InceptionResNetV2 및 MobileNetV2 모델을 사용한 전이 학습 기반 딥 러닝 프레임워크를 제안하여 피부 병변 영상에서 홍역을 탐지하며, 정확도가 93–99%에 이르렀다. 이 방법은 지역 해석 가능 모델에 종속되지 않는 설명(지역 해석 가능 모델-의존성 없는 설명, LIME)과 클래스 활성화 맵(CAM)을 통합하여 중요한 진단적 특징을 강조함으로써 자원이 제한된 환경에서 조기 홍역 진단을 위한 설명 가능하고 신뢰할 수 있는 인공지능 기반 진단을 제공한다.

ABSTRACT

The recent development of Monkeypox disease among various nations poses a global pandemic threat when the world is still fighting Coronavirus Disease-2019 (COVID-19). At its dawn, the slow and steady transmission of Monkeypox disease among individuals needs to be addressed seriously. Over the years, Deep learning (DL) based disease prediction has demonstrated true potential by providing early, cheap, and affordable diagnosis facilities. Considering this opportunity, we have conducted two studies where we modified and tested six distinct deep learning models-VGG16, InceptionResNetV2, ResNet50, ResNet101, MobileNetV2, and VGG19-using transfer learning approaches. Our preliminary computational results show that the proposed modified InceptionResNetV2 and MobileNetV2 models perform best by achieving an accuracy ranging from 93% to 99%. Our findings are reinforced by recent academic work that demonstrates improved performance in constructing multiple disease diagnosis models using transfer learning approaches. Lastly, we further explain our model prediction using Local Interpretable Model-Agnostic Explanations (LIME), which play an essential role in identifying important features that characterize the onset of Monkeypox disease.

연구 동기 및 목표

• 딥 러닝과 영상 처리를 활용하여 신뢰성 있고 저비용이며 조기에 진단 가능한 홍역 진단 도구를 개발하기 위해.
• 홍역 영상 데이터셋에서 전이 학습을 통해 여섯 가지 사전 훈련된 컨volutional 네트워크 모델(VGG16, InceptionResNetV2, ResNet50, ResNet101, MobileNetV2, VGG19)의 성능을 평가하기 위해.
• 지역 해석 가능 모델에 종속되지 않는 설명(LIME)과 클래스 활성화 맵(CAM)을 적용하여 모델의 해석 가능성을 향상시키기 위해.
• 홍역 발병을 특징짓는 피부 병변의 핵심 시각적 특징을 식별하여 임상적 검증을 지원하기 위해.
• 향후 이동 기반의 설명 가능 인공지능 응용 프로그램을 위한 기초를 마련하기 위해.

제안 방법

• 홍역 영상 데이터셋에서 전이 학습을 통해 여섯 가지 사전 훈련된 컨volutional 신경망 아키텍처(VGG16, InceptionResNetV2, ResNet50, ResNet101, MobileNetV2, VGG19)를 미세 조정하였다.
• 예측 과정에서 최종 컨볼루션 레이어의 주의 영역을 시각화하기 위해 글로벌 평균 풀링(GAP)과 클래스 활성화 맵(CAM)을 사용하였다.
• 입력 영상을 변형시키고 특징 중요도를 분석하여 개별 예측에 대한 국소 설명을 생성하기 위해 지역 해석 가능 모델에 종속되지 않는 설명(LIME)을 적용하였다.
• 임계값 기반 영상 분할을 사용하여 감염된 피부 병변의 관심 영역(ROIs)을 분리하고 강조하며, 시각적 검증을 위한 마스크를 생성하였다.
• 전문 피부과 의사의 검토를 통해 모델 예측의 임상적 관련성을 확보하였다.
• 학습, 검증 및 테스트 세트에서 정확도, 정밀도, 재현율, F1-스코어와 같은 표준 지표를 사용하여 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 전이 학습을 사용하여 피부 병변 영상에서 홍역을 탐지할 때 어떤 사전 훈련된 딥 러닝 모델이 가장 높은 정확도를 달성하는가?
• RQ2 LIME 설명과 클래스 활성화 맵은 홍역 탐지에 대한 모델 예측을 어떻게 해석하고 검증하는 데 기여하는가?
• RQ3 피부 병변에서 홍역 발병을 예측하는 데 가장 예측력 있는 시각적 특징는 무엇이며, CAM과 분할 기법을 통해 신뢰성 있게 국소화할 수 있는가?
• RQ4 다양한 아키텍처 간에 제안된 모델의 성능는 어떻게 비교되며, 특히 강건성과 일반화 능력 측면에서 어떻게 나타나는가?
• RQ5 LIME와 CAM과 같은 설명 가능한 인공지능 기법은 전염병 진단 분야에서 딥 러닝 모델의 신뢰도와 임상적 활용 가능성을 어떻게 향상시킬 수 있는가?

주요 결과

• 수정된 InceptionResNetV2 모델은 테스트 정확도 98%를 기록하였으며, 95% 신뢰구간은 0.94–0.99로 다른 모델들을 능가하였다.
• 수정된 MobileNetV2 모델은 테스트 정확도 99%를 기록하였으며, 95% 신뢰구간은 0.96–0.99였고, F1-스코어는 1.0로 정밀도와 재현율이 완벽한 성능을 보였다.
• LIME 분석은 모델가 특징적인 피부 병변 패atters, 즉 군집된 여드름과 수포를 중심으로 주의를 기울이고 있음을 확인하였으며, 임상 전문 지식과 일치하였다.
• 클래스 활성화 맵(CAM)과 임계값 기반 분할은 영상에서 감염된 영역을 명확히 강조하여 모델이 생물학적으로 관련 있는 특징에 주의를 기울이고 있음을 검증하였다.
• ResNet50 및 ResNet101 모델은 가장 낮은 성능을 보였으며, 테스트 정확도는 각각 72%였고, F1-스코어는 0.68–0.75로 이 데이터셋에서 일반화 능력이 떨어지는 것으로 나타났다.
• 연구 시점 기준으로 딥 러닝 기반 홍역 탐지에 관한 이전에 발표된 논문은 발견되지 않았으며, 이 연구는 이 분야에서 선구적인 기여를 한다.