[논문 리뷰] A cascade network for Detecting COVID-19 using chest x-rays

Dailin Lv, Wuteng Qi외 3명|arXiv (Cornell University)|2020. 05. 01.

COVID-19 diagnosis using AI참고 문헌 13인용 수 35

한 줄 요약

논문은 Cascade-SEMEnet를 제안하는데, 이는 SEME-ResNet50과 SEME-DenseNet169의 2단계 캐스케이드로 흉부 X선에서 폐렴 유형을 탐지하고 COVID-19를 구체적으로 분류하며, Grad-CAM 시각화를 포함한다.

ABSTRACT

The worldwide spread of pneumonia caused by a novel coronavirus poses an unprecedented challenge to the world's medical resources and prevention and control measures. Covid-19 attacks not only the lungs, making it difficult to breathe and life-threatening, but also the heart, kidneys, brain and other vital organs of the body, with possible sequela. At present, the detection of COVID-19 needs to be realized by the reverse transcription-polymerase Chain Reaction (RT-PCR). However, many countries are in the outbreak period of the epidemic, and the medical resources are very limited. They cannot provide sufficient numbers of gene sequence detection, and many patients may not be isolated and treated in time. Given this situation, we researched the analytical and diagnostic capabilities of deep learning on chest radiographs and proposed Cascade-SEMEnet which is cascaded with SEME-ResNet50 and SEME-DenseNet169. The two cascade networks of Cascade - SEMEnet both adopt large input sizes and SE-Structure and use MoEx and histogram equalization to enhance the data. We first used SEME-ResNet50 to screen chest X-ray and diagnosed three classes: normal, bacterial, and viral pneumonia. Then we used SEME-DenseNet169 for fine-grained classification of viral pneumonia and determined if it is caused by COVID-19. To exclude the influence of non-pathological features on the network, we preprocessed the data with U-Net during the training of SEME-DenseNet169. The results showed that our network achieved an accuracy of 85.6\% in determining the type of pneumonia infection and 97.1\% in the fine-grained classification of COVID-19. We used Grad-CAM to visualize the judgment based on the model and help doctors understand the chest radiograph while verifying the effectivene.

연구 동기 및 목표

• RT-PCR 자원이 제한될 때 흉부 X-레이 이미지를 활용하여 COVID-19 신속 선별을 촉진한다.
• 먼저 정상, 세균성 폐렴, 바이러스성 폐렴을 분류하고, 그 다음 바이러스성 폐렴을 정밀 분류하여 COVID-19를 탐지하는 2단계 캐스케이드 네트워크를 개발한다.
• 글로벌 평균 풀링(GAP), SE 주의 모듈, 큰 입력 크기, CLAHE, MoEx, 그리고 U-Net 기반 폐 영역 마스킹으로 성능을 향상시킨다.
• 임상 의사결정을 돕기 위한 Grad-CAM 시각화를 통해 모델 해석 가능성을 제공한다.

제안 방법

• SEME-ResNet50과 SEME-DenseNet169로 구성된 Cascade-SEMEnet를 구축한다.
• 손상 부위의 세부를 보존하고 수용 영역을 늘리기 위해 더 큰 입력 크기와 글로벌 평균 풀링을 사용한다.
• ResNet50 및 DenseNet169 분기에 삽입된 Squeeze-and-Excitation(SE) 주의 모듈을 도입한다.
• 대비 향상을 위한 CLAHE를 적용하고 서로 다른 병리 카테고리의 특징을 융합하는 MoEx 데이터 증강을 사용한다.
• 훈련 중 비병리적 특징을 제거하기 위해 U-Net으로 흉부 영역을 분할한다.
• 흉부 방사선 사진을 기반으로 분류 근거를 시각화하기 위해 Grad-CAM을 활용한다.

실험 결과

연구 질문

• RQ1 두 단계 캐스케이드 네트워크가 흉부 X-레이로 정상, 세균성 폐렴, 바이러스성 폐렴을 정확히 구분할 수 있는가?
• RQ2 정밀한 바이러스성 폐렴 단계에서 COVID-19를 다른 바이러스성 폐렴들 중에서 식별할 수 있는가?
• RQ3 데이터 증강(MoEx, CLAHE) 및 주의 메커니즘이 흉부 X-레이 데이터의 폐렴 분류 성능을 향상시키는가?
• RQ4 U-Net을 통한 폐 영역 마스킹이 비병리적 특징을 제거하여 진단 정확도를 향상시키는가?

주요 결과

모델	정확도	F1-점수
VGG19	69.69%	0.70
ResNet50	72.81%	0.73
DenseNet169	77.50%	0.78
VGG19-GAP	77.81%	0.78
ResNet50-GAP	74.06%	0.74
DenseNet169-GAP	80.94%	0.81
SE-ResNet50	81.59%	0.82
SE-DenseNet169	81.87%	0.81
SEME-ResNet50	85.62%	0.86
SEME-DenseNet169	80.31%	0.81

• 기본 모델(VGG19, ResNet50, DenseNet169)은 폐렴 유형 분류에서 정확도가 서로 다르게 나타났으며, 그 중 DenseNet169이 가장 우수한 성능을 보였다.
• 글로벌 평균 풀링(GAP)과 SE 주의 모듈의 추가로 모델 전반의 정확도와 ROC 지표가 향상되었다.
• SEME-ResNet50은 테스트 세트에서 85.6%의 정확도, AUC 0.904로 실험 구성 중 최고 성능을 달성했으며, Grad-CAM 시각화는 의사결정 영역을 폐 영역으로 국한시키는 것을 보였다.
• SEME-DenseNet169 또한 GAP/SE BAG 조합에서 강한 성능을 보이며 80.3%의 테스트 정확도와 도식에서 AUC가 표시됨.
• 기준선과 비교하여 SEME 구성은 바이러스성 폐렴 및 COVID-19 구획에서 정확도와 F1-score에서 실질적인 향상을 제공하며, Grad-CAM은 모델 주의가 폐 영역과 정합함을 확인시킨다.