[논문 리뷰] Classification of COVID-19 in Chest CT Images using Convolutional Support Vector Machines

Umut Özkaya, Şaban Öztürk외 3명|arXiv (Cornell University)|2020. 11. 11.

COVID-19 diagnosis using AI참고 문헌 22인용 수 27

한 줄 요약

이 논문은 전이 학습 없이 끝내기부터 학습하는 새로운 컨볼루션 서포트 벡터 머신(CSVM) 모델을 제안하여 흉부 CT 영상에서 코로나19를 자동으로 진단한다. CSVM은 94.03%의 정확도, 96.09%의 민감도, 94.10%의 F1 점수를 기록하여 75/25% 훈련-테스트 분할 데이터셋에서 사전 훈련된 CNN보다 뛰어난 성능을 보였다.

ABSTRACT

Purpose: Coronavirus 2019 (COVID-19), which emerged in Wuhan, China and affected the whole world, has cost the lives of thousands of people. Manual diagnosis is inefficient due to the rapid spread of this virus. For this reason, automatic COVID-19 detection studies are carried out with the support of artificial intelligence algorithms. Methods: In this study, a deep learning model that detects COVID-19 cases with high performance is presented. The proposed method is defined as Convolutional Support Vector Machine (CSVM) and can automatically classify Computed Tomography (CT) images. Unlike the pre-trained Convolutional Neural Networks (CNN) trained with the transfer learning method, the CSVM model is trained as a scratch. To evaluate the performance of the CSVM method, the dataset is divided into two parts as training (%75) and testing (%25). The CSVM model consists of blocks containing three different numbers of SVM kernels. Results: When the performance of pre-trained CNN networks and CSVM models is assessed, CSVM (7x7, 3x3, 1x1) model shows the highest performance with 94.03% ACC, 96.09% SEN, 92.01% SPE, 92.19% PRE, 94.10% F1-Score, 88.15% MCC and 88.07% Kappa metric values. Conclusion: The proposed method is more effective than other methods. It has proven in experiments performed to be an inspiration for combating COVID and for future studies.

연구 동기 및 목표

• 인공지능을 활용하여 흉부 CT 영상에서 코로나19를 효율적이고 자동으로 분류하는 방법을 개발하기 위해.
• SARS-CoV-2의 급속한 전 세계적 확산으로 인한 수동 진단의 한계를 해결하기 위해.
• 사전 훈련된 모델에 의존하지 않는 새로운 딥러닝 아키텍처인 CSVM을 제안하기 위해.
• 사전 훈련된 CNN과 비교하여 CSVM 모델의 성능을 코로나19 진단에 대해 평가하기 위해.
• 대유행 기간 동안 임상 의사결정 지원을 위한 강력하고 해석 가능하며 높은 성능을 발휘하는 솔루션을 제공하기 위해.

제안 방법

• 제안된 CSVM 모델는 전이 학습을 피하기 위해 끝내기부터 학습하여 사전 훈련된 특징에 의존하지 않도록 한다.
• 아키텍처는 각각 7×7, 3×3, 1×1 크기의 서로 다른 세 종류의 SVM 커널을 포함하는 다수의 블록으로 구성된다.
• 각 블록은 CT 영상에서 계층적인 특징을 추출하기 위해 SVM 커널을 사용한 공간 컨볼루션 유사 연산을 수행한다.
• 모델는 이러한 커널 블록의 연속된 레이어를 통해 입력 CT 영상을 처리하여 분류 가능한 패턴을 학습한다.
• 최종 분류는 완전 연결층과 소프트맥스 분류기로 이루어진다.
• 일반화 성능 평가를 위해 데이터셋이 75% 훈련 및 25% 테스트로 분할되었다.

실험 결과

연구 질문

• RQ1 서포트 벡터 머신 기반의 딥러닝 모델이 전이 학습 없이도 흉부 CT 영상에서 코로나19를 높은 정확도로 진단할 수 있는가?
• RQ2 제안된 CSVM 모델의 성능은 CT 스캔에서 코로나19를 분류할 때 기존의 사전 훈련된 CNN과 비교하여 어떻게 다른가?
• RQ3 CSVM 아키텍처에서 최대 진단 성능을 얻기 위해 최적의 SVM 커널 크기 조합(7×7, 3×3, 1×1)은 무엇인가?
• RQ4 제한된 의료 영상 데이터 환경에서 끝내기부터 학습하는 것이 전이 학습보다 더 나은가 또는 비슷한 결과를 낼 수 있는가?
• RQ5 CSVM 모델은 코로나19 환자를 식별하는 데 있어 얼마나 높은 민감도와 특이도를 달성하는가?

주요 결과

• CSVM(7×7, 3×3, 1×1) 모델은 94.03%의 정확도를 기록하여 강력한 종합 분류 성능를 입증했다.
• 모델은 96.09%의 민감도를 기록하여 실제 코로나19 환자에 대한 높은 탐지 능력을 보였다.
• 특이도 92.01%는 비코로나19 사례를 정확히 식별할 수 있는 능력을 확인한다.
• 정밀도 92.19%와 F1 점수 94.10%는 정밀도와 재현율 사이의 균형 잡힌 성능을 반영한다.
• 매튜스 상관계수(MCC) 88.15%와 캬파 통계치 88.07%는 강한 일致성과 견고성을 나타낸다.
• 동일한 데이터셋에서 사전 훈련된 CNN보다 CSVM 모델이 뛰어난 성능을 보여, 새로운 엔드 투 엔드 학습 접근법의 효과성을 입증했다.