[論文レビュー] COVID-ResNet: A Deep Learning Framework for Screening of COVID19 from Radiographs

Muhammad Ali Farooq, Abdul Hafeez|arXiv (Cornell University)|Mar 31, 2020

COVID-19 diagnosis using AI参考文献 13被引用数 438

ひとこと要約

本論文は COVIDResNet を提案する。事前学習済み ResNet-50 の3段階微調整を用いて COVID-19、他の肺炎、正常な胸部X線画像を分類し、progressive resizing と discriminative learning rates を用いて COVIDx データセットで最先端の精度を達成している。

ABSTRACT

In the last few months, the novel COVID19 pandemic has spread all over the world. Due to its easy transmission, developing techniques to accurately and easily identify the presence of COVID19 and distinguish it from other forms of flu and pneumonia is crucial. Recent research has shown that the chest Xrays of patients suffering from COVID19 depicts certain abnormalities in the radiography. However, those approaches are closed source and not made available to the research community for re-producibility and gaining deeper insight. The goal of this work is to build open source and open access datasets and present an accurate Convolutional Neural Network framework for differentiating COVID19 cases from other pneumonia cases. Our work utilizes state of the art training techniques including progressive resizing, cyclical learning rate finding and discriminative learning rates to training fast and accurate residual neural networks. Using these techniques, we showed the state of the art results on the open-access COVID-19 dataset. This work presents a 3-step technique to fine-tune a pre-trained ResNet-50 architecture to improve model performance and reduce training time. We call it COVIDResNet. This is achieved through progressively re-sizing of input images to 128x128x3, 224x224x3, and 229x229x3 pixels and fine-tuning the network at each stage. This approach along with the automatic learning rate selection enabled us to achieve the state of the art accuracy of 96.23% (on all the classes) on the COVIDx dataset with only 41 epochs. This work presented a computationally efficient and highly accurate model for multi-class classification of three different infection types from along with Normal individuals. This model can help in the early screening of COVID19 cases and help reduce the burden on healthcare systems.

研究の動機と目的

• 胸部X線写真から COVID-19 の正確でアクセスしやすいスクリーニングの必要性を動機付ける。
• COVID-19 を他の肺炎および正常ケースと区別するためのオープンソースで再現性のあるデータセットとモデルを提供する。
• 性能を向上させ、トレーニング時間を短縮するための3ステップ微調整戦略を開発する。

提案手法

• 事前学習済みの ResNet-50 バックボーンを使用し、入力を128x128x3、224x224x3、および229x229x3へ3段階の progressive resizing で微調整する。
• トレーニングを最適化するために自動学習率選択と組み合わせた progressive resizing を適用する。
• 微調整時の層ごとの更新を調整するために discriminative learning rates を実装する。
• オープンアクセスの COVIDx データセットを用いて3つの感染タイプと正常ケースのマルチクラス分類を行う。
• 限られたエポック数で計算効率と高精度を目指す。

実験結果

リサーチクエスチョン

• RQ1 ResNet-50 ベースのアーキテクチャは胸部X線写真において COVID-19 を他の肺炎および正常ケースと区別できるか。
• RQ2 discriminative learning rates を用いた progressive resizing は COVIDx データセットでトレーニング効率と精度を向上させるか。
• RQ3 胸部X線からの多クラス COVID-19 スクリーニングのために事前学習済みネットワークを微調整した場合、達成可能な精度とトレーニング効率はどの程度か。

主な発見

• 全クラスで COVIDx データセットに対して最先端の精度 96.23% を達成。
• 報告された性能に達するために 41 学習エポックを用いる。
• 感染タイプと正常ケースのマルチクラス分類に対して計算効率の高いアプローチを示す。
• 入力を段階的にリサイズし、各段階でネットワークを調整する3ステップの微調整スキームを提供。
• 再現性とコミュニティ利用のためにオープンソースおよびオープンアクセスのデータとモデルを強調。