[論文レビュー] Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep Learning and Transfer Learning Algorithms

Halgurd S. Maghdid, Aras T. Asaad+3 more|arXiv (Cornell University)|Mar 31, 2020

COVID-19 diagnosis using AI被引用数 9

ひとこと要約

本研究では、転移学習と微調整された畳み込みニューラルネットワーク（CNN）を用いた深層学習ベースの手法を提案し、レントゲン画像およびCTスキャン画像からCOVID-19肺炎を検出する。複数のソースから構築された包括的なデータセットと、変更を加えた事前学習済みAlexNetおよびカスタムCNNモデルを用いることで、最大98％の正確性を達成し、臨床現場における迅速かつ正確な診断のための高い性能を示している。

ABSTRACT

COVID-19 (also known as 2019 Novel Coronavirus) first emerged in Wuhan, China and spread across the globe with unprecedented effect and has now become the greatest crisis of the modern era. The COVID-19 has proved much more pervasive demands for diagnosis that has driven researchers to develop more intelligent, highly responsive and efficient detection methods. In this work, we focus on proposing AI tools that can be used by radiologists or healthcare professionals to diagnose COVID-19 cases in a quick and accurate manner. However, the lack of a publicly available dataset of X-ray and CT images makes the design of such AI tools a challenging task. To this end, this study aims to build a comprehensive dataset of X-rays and CT scan images from multiple sources as well as provides a simple but an effective COVID-19 detection technique using deep learning and transfer learning algorithms. In this vein, a simple convolution neural network (CNN) and modified pre-trained AlexNet model are applied on the prepared X-rays and CT scan images dataset. The result of the experiments shows that the utilized models can provide accuracy up to 98 % via pre-trained network and 94.1 % accuracy by using the modified CNN.

研究の動機と目的

• 医療画像を用いたCOVID-19肺炎の迅速かつ正確な診断の緊急的なニーズに対応すること。
• COVID-19用の公に利用可能なレントゲン画像およびCTスキャンデータセットが限られているという課題を克服すること。
• 転移学習を活用することで診断性能を向上させる、深層学習フレームワークの開発と評価を行うこと。
• パンデミック期における放射線科医の臨床的意思決定支援のための実用的AIツールを提供すること。
• 同じデータセット上で、変更を加えたCNNと微調整済み事前学習済みAlexNetの性能を比較すること。

提案手法

• 著者らは、複数の公的および臨床的ソースからレントゲン画像およびCTスキャン画像の包括的なデータセットを収集した。
• 事前学習済みAlexNetモデルを用いて転移学習を実施し、COVID-19分類用に最終層を微調整した。
• 同じデータセット上で、スクラッチから訓練した変更を加えた畳み込みニューラルネットワーク（CNN）を用意し、性能を比較した。
• 一般化を向上させ、過学習を軽減するために、データ拡張技術を用いた。
• 標準的な指標（正確性、適合率、再現率、F1スコア）を用いてモデルを評価した。
• 最適化には交差エントロピー損失を用いた確率的勾配降下法を採用した。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みモデルを用いた転移学習は、医療画像からのCOVID-19肺炎検出の正確性を向上させることができるか？
• RQ2 同じデータセット上で、カスタムCNNは微調整済み事前学習済みAlexNetと比較してどの程度の性能を示すか？
• RQ3 X線およびCTスキャンのキュレートされたデータセットは、モデルの一般化能力および診断の信頼性をどの程度向上させることができるか？
• RQ4 データが少ない状況下で、モデルの複雑さと診断正確性の最適なバランスは何か？
• RQ5 大規模なラベル付きデータセットがなくても、深層学習モデルはCOVID-19肺炎分類において高い正確性を達成できるか？

主な発見

• 微調整済み事前学習済みAlexNetモデルは、X線およびCTスキャンの統合データセット上で98％の分類正確性を達成した。
• 変更を加えたCNNモデルは、同じデータセット上で94.1％の正確性を達成し、スクラッチから訓練したにもかかわらず強力な性能を示した。
• 結果から、スクラッチからCNNを訓練するのと比較して、転移学習が診断正確性を顕著に向上させることを示している。
• データセットの収集作業により、今後のCOVID-19の医療画像解析分野における研究に貴重な公開リソースが提供された。
• モデルは多様な画像ソースに対して強固な性能を示し、実臨床での展開可能性を示している。
• 本研究は、転移学習を組み合わせることで、ラベル付きデータが限られている状況下でも深層学習モデルが高い診断正確性を達成できることを確認している。