[논문 리뷰] Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset

Nour Eldeen M. Khalifa, Mohamed Hamed N. Taha외 2명|arXiv (Cornell University)|2020. 04. 02.

COVID-19 diagnosis using AI인용 수 61

한 줄 요약

본 논문은 GAN 기반 데이터 증강과 미세 조정된 딥 트랜스퍼 러닝 모델을 활용하여 흉부 X-레이에서 COVID-19 연관 폐렴을 감지하며, 제한된 데이터셋에서 ResNet18이 99%의 테스트 정확도를 달성한다.

ABSTRACT

The COVID-19 coronavirus is one of the devastating viruses according to the world health organization. This novel virus leads to pneumonia, which is an infection that inflames the lungs' air sacs of a human. One of the methods to detect those inflames is by using x-rays for the chest. In this paper, a pneumonia chest x-ray detection based on generative adversarial networks (GAN) with a fine-tuned deep transfer learning for a limited dataset will be presented. The use of GAN positively affects the proposed model robustness and made it immune to the overfitting problem and helps in generating more images from the dataset. The dataset used in this research consists of 5863 X-ray images with two categories: Normal and Pneumonia. This research uses only 10% of the dataset for training data and generates 90% of images using GAN to prove the efficiency of the proposed model. Through the paper, AlexNet, GoogLeNet, Squeeznet, and Resnet18 are selected as deep transfer learning models to detect the pneumonia from chest x-rays. Those models are selected based on their small number of layers on their architectures, which will reflect in reducing the complexity of the models and the consumed memory and time. Using a combination of GAN and deep transfer models proved it is efficiency according to testing accuracy measurement. The research concludes that the Resnet18 is the most appropriate deep transfer model according to testing accuracy measurement and achieved 99% with the other performance metrics such as precision, recall, and F1 score while using GAN as an image augmenter. Finally, a comparison result was carried out at the end of the research with related work which used the same dataset except that this research used only 10% of original dataset. The presented work achieved a superior result than the related work in terms of testing accuracy.

연구 동기 및 목표

• 흉부 X-레이에서 COVID-19 폐렴의 탐지를 동기 부여한다.
• GAN 기반 이미지 생성을 사용하여 데이터세트를 확장함으로써 제한된 데이터를 해결한다.
• 폐렴 탐지를 위한 경량 트랜스퍼 러닝 모델을 평가한다.
• AlexNet, GoogLeNet, SqueezeNet, ResNet18 중 어떤 모델이 가장 우수한지 파악한다.
• GAN 증강을 통해 과적합에 대한 강건성을 입증한다.

제안 방법

• 훈련 데이터를 확장하기 위해 Generative Adversarial Networks를 사용해 추가 흉부 X-레이 이미지를 생성한다.
• 정상(Normal) 또는 Pneumonia로 분류된 5863장의 X-레이 데이터셋에 대해 미세 조정된 딥 트랜스퍼 러닝을 적용한다.
• 폐렴 탐지를 위해 네 가지 경량 아키텍처(AlexNet, GoogLeNet, SqueezeNet, ResNet18)를 평가한다.
• 데이터셋의 10%로 학습하고 GAN을 통해 90%의 합성 이미지를 생성하여 강건성과 성능을 테스트한다.
• 정확도 및 추가 지표(정밀도, 재현율, F1)를 사용하여 성능을 측정한다.
• 테스트 정확도를 기준으로 최상의 성능 모델을 결정한다.

실험 결과

연구 질문

• RQ1 GAN으로 생성된 이미지가 폐렴 탐지를 위한 소규모 흉부 X-레이 데이터셋을 효과적으로 확장할 수 있는가?
• RQ2 이 확장된 데이터셋에서 어떤 경량 딥 트랜스퍼 러닝 모델이 COVID-19 폐렴 탐지의 가장 높은 테스트 정확도를 제공하는가?
• RQ3 GAN 증강이 과적합을 줄이고 평가된 모델 전반의 성능을 향상시키는가?
• RQ4 GAN 증강으로 Normal 대 Pneumonia 클래스의 비교 성능 지표(정밀도, 재현율, F1)는 어떠한가?

주요 결과

• 작은 원본 데이터세트로의 GAN 증강이 높은 테스트 정확도를 달성할 수 있다.
• 모델 중에서 ResNet18이 최고의 성능을 제공했다.
• 증강 데이터세트에서 99%의 테스트 정확도와 관련된 정밀도, 재현율, F1-score를 달성했다.
• 같은 데이터셋에서 10% 학습 데이터 하에서의 관련 연구보다 우수하다고 보고한다.
• GAN 기반 증강은 이 설정에서 모델의 과적합에 대한 강건성을 향상시킨다.