[논문 리뷰] A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan

Abdolkarim Saeedi, Maryam Saeedi외 1명|arXiv (Cornell University)|2020. 06. 24.

COVID-19 diagnosis using AI인용 수 11

한 줄 요약

이 논문은 밀도 네트워크(DenseNet)를 특징 추출에 사용하고 Nu-SVM을 분류에 사용하는 하이브리드 모델을 결합한 웹 기반 딥러닝 시스템을 제안한다. 이 시스템은 90.61%의 정확도, 90.80%의 재현율, 89.76%의 정밀도, 95.05%의 AUC를 기록했으며, 이미지당 추론 시간이 40ms 이하로 매우 빠르며, Flask 기반 REST API를 통해 공개적으로 이용할 수 있다.

ABSTRACT

The corona virus is already spread around the world in many countries, and it has taken many lives. Furthermore, the world health organization (WHO) has announced that COVID-19 has reached the global epidemic stage. Early and reliable diagnosis using chest CT-scan can assist medical specialists in vital circumstances. In this work, we introduce a computer aided diagnosis (CAD) web service to detect COVID- 19 online. One of the largest public chest CT-scan databases, containing 746 participants was used in this experiment. A number of well-known deep neural network architectures consisting of ResNet, Inception and MobileNet were inspected to find the most efficient model for the hybrid system. A combination of the Densely connected convolutional network (DenseNet) in order to reduce image dimensions and Nu-SVM as an anti-overfitting bottleneck was chosen to distinguish between COVID-19 and healthy controls. The proposed methodology achieved 90.80% recall, 89.76% precision and 90.61% accuracy. The method also yields an AUC of 95.05%. Ultimately a flask web service is made public through ngrok using the trained models to provide a RESTful COVID-19 detector, which takes only 39 milliseconds to process one image. The source code is also available at https://github.com/KiLJ4EdeN/COVID_WEB. Based on the findings, it can be inferred that it is feasible to use the proposed technique as an automated tool for diagnosis of COVID-19.

연구 동기 및 목표

• 흉부 CT 영상에서 코로나19를 조기에 탐지하기 위한 빠르고 정확하며 접근성이 높은 딥러닝 도구를 개발하는 것.
• 글로벌 코로나19 팬데믹 기간 동안 시기적절하고 신뢰할 수 있는 진단을 가능하게 하기 위해 고도의 딥러닝 아키텍처를 활용하는 것.
• 코로나19 감염 여부를 위한 CT 영상의 신속하고 자동화된 걸러내기 기능을 제공하는 공개 웹 서비스를 구축하는 것.
• 하이브리드 DenseNet-Nu-SVM 모델을 통해 의료 영상 분류에서 과적합을 줄이고 일반화 능력을 향상시키는 것.
• ResNet, Inception, MobileNet 등의 다양한 딥 네트워크 아키텍처를 평가하고 비교하여, 흉부 CT 영상에서 코로나19를 탐지하는 데 최적의 성능을 내는 것을 목표로 하는 것.

제안 방법

• 흉부 CT 영상에서 계층적 특징 추출을 위해 DenseNet을 활용한 하이브리드 딥러닝 모델을 설계하였다.
• DenseNet의 출력 특징는 Nu-서포트 벡터 머신(Nu-SVM)에 입력되어 과적합 방지를 위한 복합 구조로 작용하고 일반화 능력을 향상시켰다.
• 공개된 데이터셋을 활용하여 746건의 흉부 CT 영상(코로나19 양성 및 건강한 대조군 포함)으로 모델을 훈련 및 검증하였다.
• 실시간 추론을 위한 RESTful API를 제공하기 위해 Flask를 사용하여 웹 서비스를 구현하고 ngrok을 통해 배포하였다.
• 속도 최적화를 통해 이미지당 추론 시간을 39 밀리초로 확보하였다.
• 재현성과 향후 연구 지원을 위해 소스 코드와 훈련된 모델을 공개하였다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 웹 서비스는 흉부 CT 영상에서 코로나19를 탐지하는 데 높은 정확도와 낮은 지연 시간을 달성할 수 있는가?
• RQ2 ResNet, Inception, MobileNet, 또는 DenseNet 중에서 이 진단 작업에 가장 뛰어난 성능을 보이는 딥 네트워크 아키텍처는 무엇인가?
• RQ3 DenseNet과 Nu-SVM을 통합함으로써 의료 영상 분류에서 과적합을 효과적으로 줄이고 모델의 일반화 능력을 향상시킬 수 있는가?
• RQ4 기존의 CAD 도구와 비교했을 때, 제안된 시스템은 정확도, 재현율 및 추론 속도 측면에서 어떤 성능을 보이는가?
• RQ5 임상 환경에서 신뢰할 수 있고 실시간으로 작동하며 공개 가능한 딥러닝 모델을 구현하는 것이 가능한가?

주요 결과

• 제안된 하이브리드 모델은 746건의 테스트 세트 CT 영상에서 90.61%의 분류 정확도를 기록했다.
• 시스템은 높은 재현율 90.80%를 보이며 진짜 양성 케이스를 잘 탐지하는 강력한 민감도를 나타냈다.
• 정밀도는 89.76%로, 탐지 과정에서 거짓 양성의 비율이 낮음을 반영했다.
• ROC 곡선 아래 면적(AUC)은 95.05%로 뛰어난 분류 성능를 나타냈다.
• 추론 시간은 39 밀리초로 최적화되어 임상 워크플로우에 실시간으로 구현할 수 있었다.
• 공개된 REST API를 통해 접근 가능한 웹 기반 서비스는 진단 도구의 확장성과 원격 배포를 가능하게 했다.