[논문 리뷰] Automatic Detection of COVID-19 Cases on X-ray images Using Convolutional Neural Networks

Lucas Pedrosa Soares, Cesar P. Soares|arXiv (Cornell University)|2020. 07. 02.

COVID-19 diagnosis using AI참고 문헌 13인용 수 13

한 줄 요약

이 연구는 VGG-16, ResNet, Xception 합성곱 신경망을 사용한 전이 학습을 활용한 딥러닝 접근법을 제안하여 흉부 X-ray 영상에서 COVID-19를 자동으로 감지한다. VGG-16 모델은 75장의 미사용 이미지로 구성된 테스트 세트에서 97.3%의 정확도를 기록했으며, 39건의 COVID-19 사례를 모두 정확히 식별했고, 과적합 최소화와 함께 우수한 일반화 성능을 보였다.

ABSTRACT

In recent months the world has been surprised by the rapid advance of COVID-19. In order to face this disease and minimize its socio-economic impacts, in addition to surveillance and treatment, diagnosis is a crucial procedure. However, the realization of this is hampered by the delay and the limited access to laboratory tests, demanding new strategies to carry out case triage. In this scenario, deep learning models are being proposed as a possible option to assist the diagnostic process based on chest X-ray and computed tomography images. Therefore, this research aims to automate the process of detecting COVID-19 cases from chest images, using convolutional neural networks (CNN) through deep learning techniques. The results can contribute to expand access to other forms of detection of COVID-19 and to speed up the process of identifying this disease. All databases used, the codes built, and the results obtained from the models' training are available for open access. This action facilitates the involvement of other researchers in enhancing these models since this can contribute to the improvement of results and, consequently, the progress in confronting COVID-19.

연구 동기 및 목표

• COVID-19의 RT-PCR 검사가 지연되고 제한적인 접근성을 보이는 문제를 해결하기 위해 의료 영상 기반의 대체 진단 방법을 개발한다.
• 의료 영상에서의 COVID-19 자동 식별을 통해 사례 선별을 향상시키고 진단 속도를 높인다.
• 딥러닝 모델을 활용해 자원이 제한된 환경에서도 진단 접근성을 향상시킨다.
• 공개된 모델, 코드, 데이터셋을 통해 공동 연구를 촉진하고, 모델 개선 및 검증을 장려한다.

제안 방법

• ImageNet으로 사전 훈련된 합성곱 계층을 사용하여 VGG-16, ResNet, Xception의 세 가지 딥러닝 아키텍처를 전이 학습으로 훈련시켰다.
• 소규모 COVID-19 X-ray 데이터셋에 적응하기 위해 합성곱 가중치를 동결하고, 오직 완전 연결 계층만 미세 조정했다.
• 375장의 흉부 X-ray 영상 데이터셋을 사용: COVID-19 확진 175건, 정상 100건, 다른 폐 감염 100건.
• 데이터셋 정제를 통해 암시적 데이터 증강을 적용하고, 모델 평가를 위해 10% 검증 세트와 10% 테스트 세트를 설정했다.
• 고정된 초기 학습률 0.001과 categorical cross-entropy 손실 함수를 사용하여 Adam 옵timizer로 모델을 최적화했다.
• 정확도, 혼동 행렬, 클래스 활성화 맵(Grad-CAM)을 사용하여 성능을 평가하고, 모델의 주의 집중 영역을 해석했다.

실험 결과

연구 질문

• RQ1 사전 훈련된 CNN을 사용한 전이 학습이 제한된 흉부 X-ray 데이터셋에서 COVID-19를 효과적으로 감지할 수 있는가?
• RQ2 VGG-16, ResNet, Xception 등의 다양한 딥러닝 아키텍처가 COVID-19, 정상, 다른 폐 감염 사례를 분류하는 데 어떻게 비교되는가?
• RQ3 모델은 미사용 테스트 데이터에 대해 얼마나 잘 일반화되는가? 양성 COVID-19 사례를 식별하는 데 정확도는 어떠한가?
• RQ4 모델이 어떤 경우에 COVID-19로 분류할 때 흉부 X-ray 영상의 어느 부분에 주의를 기울이는가? 이는 알려진 병리학적 패턴과 일치하는가?
• RQ5 모델과 학습 코드를 공개함으로써 AI 기반의 COVID-19 감지 분야에서 공동 개선을 가속화할 수 있는가?

주요 결과

• VGG-16 모델은 독립 테스트 세트의 75장 중 73장(97.3%)을 정확히 분류하여 가장 높은 테스트 정확도를 기록했다.
• 모든 39건의 COVID-19 사례가 VGG-16 모델에 의해 정확히 식별되어, 양성 클래스에 대해 100% 민감도를 보였다.
• 정상 폐 X-ray 영상은 88.2%의 정확도로 분류되었고, 다른 감염은 100% 정확도를 기록했으며, 정상 케이스 중 오직 두 건의 오진 양성 결과가 있었다.
• VGG-16 모델은 과적합이 가장 적었으며, 훈련 손실과 검증 손실 곡선이 밀접하게 수렴하는 경향을 보였다. 반면 Xception과 ResNet은 과적합 현상을 보였다.
• Grad-CAM 시각화 결과, 모델은 활성도가 높은 폐 부위에 주의를 기울였지만, 케이스 간 일관된解剖학적 패턴은 관찰되지 않았다.
• GitHub와 저자 블로그에 모델, 코드, 데이터셋을 공개함으로써 재현 가능성과 시스템의 공동 개선이 가능해졌다.