[論文レビュー] COVID-19 Classification Using Deep Learning Two-Stage Approach

Mostapha Alsaidi, Ali Saleem Altaher+3 more|arXiv (Cornell University)|Nov 28, 2022

COVID-19 diagnosis using AI被引用数 6

ひとこと要約

本論文は、コロナウイルス感染症（COVID-19）、正常、透明度異常、および肺炎の4つのカテゴリーに分類するための2段階的ディーブラーニング手法（Covid-TSC）を提案する。2万枚以上の画像を含むデータセットを用いて、VGG16およびVGG19を用いたトランスファーラーニングを実施した結果、ファインチューニングされたVGG16を用いたワンショット分類が95％の正確性を達成し、2段階手法を上回った。これは、2段階設計が予想したように性能を向上させなかったことを示している。

ABSTRACT

In this paper, deep-learning-based approaches namely fine-tuning of pretrained convolutional neural networks (VGG16 and VGG19), and end-to-end training of a developed CNN model, have been used in order to classify X-Ray images into four different classes that include COVID-19, normal, opacity and pneumonia cases. A dataset containing more than 20,000 X-ray scans was retrieved from Kaggle and used in this experiment. A two-stage classification approach was implemented to be compared to the one-shot classification approach. Our hypothesis was that a two-stage model will be able to achieve better performance than a one-shot model. Our results show otherwise as VGG16 achieved 95% accuracy using one-shot approach over 5-fold of training. Future work will focus on a more robust implementation of the two-stage classification model Covid-TSC. The main improvement will be allowing data to flow from the output of stage-1 to the input of stage-2, where stage-1 and stage-2 models are VGG16 models fine-tuned on the Covid-19 dataset.

研究の動機と目的

• 胸部X線をCOVID-19、正常、透明度異常、および肺炎の4つの疾患カテゴリーに分類するための2段階的ディーブラーニングモデル（Covid-TSC）の開発と評価を行う。
• トランスファーラーニングを用いたワンショット分類法と2段階アプローチの性能を比較する。
• 最初に正常と疾患を区別し、次に特定の疾患を同定する2段階の分類アプローチが、モデルの正確性と頑健性を向上させるかどうかを検証する。
• X線画像から自動的にCOVID-19を診断するため、VGG16およびVGG19のファインチューニングとエンドツーエンド学習の可能性を評価する。
• 現在の2段階設計における限界を特定し、今後の実装に向けた改善策を提案する。

提案手法

• 2段階分類モデル（Covid-TSC）を設計した。第1段階では正常例と疾患例を区別し、第2段階では疾患タイプ（COVID-19、透明度異常、肺炎）を分類する。
• COVID-Radiologyデータセット（X線スキャンが20,000枚以上含まれる）上で、事前学習済みのVGG16およびVGG19モデルをファインチューニングすることでトランスファーラーニングを適用した。
• エンドツーエンド学習されたCNNモデルも開発し、トランスファーラーニングモデルと比較した。
• モデルの性能を評価するために5分割交差検証を用い、正確性、適合率、再現率、F1スコアなどの指標を用いた。
• モデルの挙動と誤りパターンを分析するため、両段階に対して混同行列と分類レポートを生成した。
• 実験の間、CPU、GPU、RAMのハードウェアリソースを統一することで、トレーニング時間とパフォーマンスの一貫性と比較可能性を確保した。

実験結果

リサーチクエスチョン

• RQ1 2段階的ディーブラーニングアプローチは、4クラス（COVID-19、正常、透明度異常、肺炎）のX線画像分類において、ワンショットアプローチよりも正確性を向上させるか？
• RQ2 VGG16およびVGG19を用いたトランスファーラーニングは、限られた医療用X線画像データセットにおいても高い性能の分類を達成できるか？
• RQ3 モデルアーキテクチャとトレーニング戦略（ファインチューニング対エンドツーエンド）が、COVID-19検出の診断正確性に与える影響は何か？
• RQ4 なぜ2段階モデルはワンショットモデルに劣ったのか？この結果を説明する設計上の欠陥は何か？
• RQ5 2段階モデルをどのように再設計すれば、第1段階の特徴量を第2段階に伝えることができ、性能向上が見込めるか？

主な発見

• ファインチューニングされたVGG16を用いたワンショット分類は、5分割交差検証で95％の正確性を達成し、2段階アプローチを顕著に上回った。
• VGG16はCOVID-19クラスに対して0.99の再現率を示し、実際のCOVID-19症例の99％を正しく同定したことを意味する。
• COVID-19クラスの適合率は0.98であったため、非COVID-19画像の2％が誤って陽性と分類された。
• 2段階モデルの第2段階では、透明度異常および肺炎の両方で100％の再現率を達成し、COVID-19では98％の再現率を示した。これは、これらのクラスに対する強力な検出能力を示している。
• 高い再現率を示したにもかかわらず、2段階モデル（Covid-TSC）の正確性は82.4％にとどまり、同じデータセットでVGG16の95.2％に比べて低かった。
• 2段階モデルはトレーニング時間（2.10秒）がVGG16（3.14秒）より短かったが、この効率性は性能向上に結びつかなかった。