[논문 리뷰] Disease Detection from Lung X-ray Images based on Hybrid Deep Learning

Subrato Bharati, Prajoy Podder|arXiv (Cornell University)|2020. 03. 02.

COVID-19 diagnosis using AI참고 문헌 13인용 수 3

한 줄 요약

이 논문은 X-ray 영상에서 조기 폐질환을 진단하기 위한 하이브리드 딥러닝 프레임워크를 제안한다. CNN, VGG, 공간 변형 네트워크(Spatial Transformer Networks, STN), 캡슐 네트워크를 결합하여 영상의 변형에도 불구하고 분류 정확도를 향상시킨다. 융합 모델은 전체 데이터셋과 샘플링된 데이터셋 모두에서 정밀도, 재현율, F1 점수, 정확도 측면에서 개별 네트워크보다 높은 성능을 기록했다.

ABSTRACT

Lung Disease can be considered as the second most common type of disease for men and women. Many people die of lung disease such as lung cancer, Asthma, CPD (Chronic pulmonary disease) etc. in every year. Early detection of lung cancer can lessen the probability of deaths. In this paper, a chest X ray image dataset has been used in order to diagnosis properly and analysis the lung disease. For binary classification, some important is selected. The criteria include precision, recall, F beta score and accuracy. The fusion of AI and cancer diagnosis are acquiring huge interest as a cancer diagnostic tool. In recent days, deep learning based AI for example Convolutional neural network (CNN) can be successfully applied for disease classification and prediction. This paper mainly focuses the performance of Vanilla neural network, CNN, fusion of CNN and Visual Geometry group based neural network (VGG), fusion of CNN, VGG, STN and finally Capsule network. Normally basic CNN has poor performance for rotated, tilted or other abnormal image orientation. As a result, hybrid systems have been exhibited in order to enhance the accuracy with the maintenance of less training time. All models have been implemented in two groups of data sets: full dataset and sample dataset. Therefore, a comparative analysis has been developed in this paper. Some visualization of the attributes of the dataset has also been showed in this paper

연구 동기 및 목표

• 딥러닝을 이용해 흉부 X-ray 영상에서 폐질환 진단의 정확도를 향상시키는 것.
• 표준 CNN이 기울어지거나 기울인 X-ray 영상 처리에 한계를 보일 수 있는 점을 보완하기 위해 하이브리드 아키텍처 설계를 통한 문제 해결.
• 이진 분류에서 순수 신경망, 독립형 CNN, 여러 하이브리드 모델의 성능을 비교하는 것.
• 전체 데이터셋과 샘플링된 데이터셋에서 정밀도, 재현율, F-베타 점수, 정확도를 사용해 모델 성능을 평가하는 것.
• 모델의 해석성과 검증을 지원하기 위해 데이터셋 속성의 시각적 분석을 제공하는 것.

제안 방법

• 이진 분류를 위한 흉부 X-ray 영상 데이터셋을 활용하여 폐질환 진단.
• 비교를 위한 기준 모델로 순수 신경망을 구현.
• X-ray 영상에서 특징을 추출하기 위해 합성곱 신경망(Convolutional Neural Networks, CNN)을 적용.
• 특징 표현 및 일반화 능력을 향상시키기 위해 VGG 기반 네트워크를 통합.
• 기울어지거나 왜곡된 영역을 자동으로 주시하고 정규화하기 위해 공간 변형 네트워크(Spatial Transformer Networks, STN)를 통합.
• CNN, VGG, STN, 캡슐 네트워크를 융합하여 하이브리드 아키텍처를 구성함으로써 강인성과 분류 정확도 향상.

실험 결과

연구 질문

• RQ1 X-ray 영상에서 폐질환을 분류하는 데 있어 하이브리드 딥러닝 모델의 성능은 독립형 CNN과 순수 신경망에 비해 어떻게 비교되는가?
• RQ2 VGG와 STN 구성 요소의 통합이 영상의 기울임 및 방향 변화에 대한 모델 강인성 향상에 어느 정도 기여하는가?
• RQ3 전체 데이터셋과 샘플링된 데이터셋을 사용할 경우, 모델 복잡도가 학습 시간과 분류 정확도에 미치는 영향은 어떠한가?
• RQ4 이진 폐질환 분류에서 정밀도, 재현율, F-베타 점수, 정확도가 다양한 모델 아키텍처 간에 어떻게 변화하는가?
• RQ5 데이터셋 속성의 시각화는 모델 행동 이해와 진단 신뢰도 향상에 기여할 수 있는가?

주요 결과

• CNN, VGG, STN, 캡슐 네트워크를 융합한 하이브리드 모델이 정밀도, 재현율, F-베타 점수, 정확도 측면에서 가장 높은 분류 성능을 기록했다.
• 융합 모델은 표준 CNN에 비해 기울임 및 기울기 변화와 같은 영상 변형에 대해 더 높은 강인성을 보였다.
• 성능 지표는 전체 데이터셋에서 샘플링된 데이터셋보다 일관되게 높게 나타나, 데이터 양의 중요성을 시사했다.
• STN의 통합은 모델이 관련 해부학적 영역에 집중하는 능력을 향상시켜 특징 학습 향상에 기여했다.
• 데이터셋 속성의 시각화는 영상 품질과 분포에 대한 통찰을 제공했으며, 모델의 해석성과 데이터 품질 평가를 지원했다.
• 제안된 하이브리드 접근법은 특히 임상적 X-ray에서 흔한 비표준 영상 방향성 처리에 대한 개별 모델의 한계를 줄였다.