[論文レビュー] COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images

Linda Wang, Alexander Wong|arXiv (Cornell University)|Mar 22, 2020

COVID-19 diagnosis using AI参考文献 48被引用数 267

ひとこと要約

COVID-Net は 胸部X線画像から COVID-19 を検出するためのオープンソースの特化型 CNN で、人間と機械の設計プロセスを経て構築され、COVIDx で評価され、説明可能性監査がその判断根拠を検証している。

ABSTRACT

The COVID-19 pandemic continues to have a devastating effect on the health and well-being of the global population. A critical step in the fight against COVID-19 is effective screening of infected patients, with one of the key screening approaches being radiology examination using chest radiography. Motivated by this and inspired by the open source efforts of the research community, in this study we introduce COVID-Net, a deep convolutional neural network design tailored for the detection of COVID-19 cases from chest X-ray (CXR) images that is open source and available to the general public. To the best of the authors' knowledge, COVID-Net is one of the first open source network designs for COVID-19 detection from CXR images at the time of initial release. We also introduce COVIDx, an open access benchmark dataset that we generated comprising of 13,975 CXR images across 13,870 patient patient cases, with the largest number of publicly available COVID-19 positive cases to the best of the authors' knowledge. Furthermore, we investigate how COVID-Net makes predictions using an explainability method in an attempt to not only gain deeper insights into critical factors associated with COVID cases, which can aid clinicians in improved screening, but also audit COVID-Net in a responsible and transparent manner to validate that it is making decisions based on relevant information from the CXR images. By no means a production-ready solution, the hope is that the open access COVID-Net, along with the description on constructing the open source COVIDx dataset, will be leveraged and build upon by both researchers and citizen data scientists alike to accelerate the development of highly accurate yet practical deep learning solutions for detecting COVID-19 cases and accelerate treatment of those who need it the most.

研究の動機と目的

• リソース制約がある環境で胸部X線撮影を用いたCOVID-19の迅速でアクセスしやすいスクリーニングを促進する。
• CXR画像からのCOVID-19検出のために設計された特化型CNNであるCOVID-Netを導入する。
• COVID-19研究のための大規模なオープンアクセスCXRベンチマークデータセットであるCOVIDxを作成する。
• モデルの意思決定を監査し臨床的信頼を高めるための説明可能性分析を可能にする。

提案手法

• 正常、非COVID-19感染、COVID-19の三分予測のための初期の人間設計残差プロトタイプを開発する。
• COVID-19感度 ≥ 80%およびPPV ≥ 80%を制約として、機械駆動の設計探索（生成的合成）を用いる。
• 軽量な projection–expansion–projection (PEPX) ブロックと選択的長距離接続を用いてCOVID-Netを構築する。
• ImageNetで事前学習し、Adam、学習率 2e-4、22エポック、バッチサイズ 64、データ拡張およびバッチ再平衡を加えてCOVIDxで訓練する。
• GSInquire の説明可能性でモデルの意思決定を監査し、アーティファクトではなく関連する肺領域に依拠していることを保証する。

実験結果

リサーチクエスチョン

• RQ1 COVIDxデータセットで胸部X線画像からのCOVID-19検出に対して高い感度とPPVをCOVID-Netは達成できるか。
• RQ2 機械駆動探索からのアーキテクチャ設計選択（PEPXブロック、選択的接続性、およびアーキテクチャの多様性）は、標準アーキテクチャと比較して性能と効率を改善するか。
• RQ3 説明可能性（GSInquire）は、COVID-Netの予測の背後にある真の要因をどれだけ明らかにし、信頼できる意思決定を検証するか。

主な発見

アーキテクチャ	パラメータ数 (M)	MACs (G)	精度 (%)
VGG-19	20.37	89.63	83.0
ResNet-50	24.97	17.75	90.6
COVID-Net	11.75	7.50	93.3

• COVID-Net は COVIDx で 93.3% のテスト精度を達成する。
• COVID-Net は COVID-19 に対して 91.0% の感度と 98.9% の PPV を獲得する。
• COVID-Net は約11.75百万パラメータと約7.50 G MACs を使用し、VGG-19 および ResNet-50 よりはるかに低い複雑さである。
• 比較の結果、COVID-Net は VGG-19 および ResNet-50 よりCOVID-19の感度とPPVが高い。
• GSInquire の説明可能性は、検出に肺領域に依拠していることを示しており、信頼できる推論を支持する。