[論文レビュー] Early Diagnosis of Pneumonia with Deep Learning

Can Jozef Saul, Deniz Yagmur Urey+1 more|arXiv (Cornell University)|Apr 1, 2019

COVID-19 diagnosis using AI参考文献 12被引用数 45

ひとこと要約

本論文は、胸部X線画像を前処理し、CNNとResNetアーキテクチャを比較する深層学習パイプラインを提示し、肺炎検出の精度を78.73%と達成してCheXNetを上回る。

ABSTRACT

Pneumonia has been one of the fatal diseases and has the potential to result in severe consequences within a short period of time, due to the flow of fluid in lungs, which leads to drowning. If not acted upon by drugs at the right time, pneumonia may result in death of individuals. Therefore, the early diagnosis is a key factor along the progress of the disease. This paper focuses on the biological progress of pneumonia and its detection by x-ray imaging, overviews the studies conducted on enhancing the level of diagnosis, and presents the methodology and results of an automation of xray images based on various parameters in order to detect the disease at very early stages. In this study we propose our deep learning architecture for the classification task, which is trained with modified images, through multiple steps of preprocessing. Our classification method uses convolutional neural networks and residual network architecture for classifying the images. Our findings yield an accuracy of 78.73%, surpassing the previously top scoring accuracy of 76.8%.

研究の動機と目的

• 早期肺炎診断の必要性を動機づけ、放射線診断における人為的ミスを減らす。
• 特徴可視性を向上させる自動X線画像前処理パイプラインを提案する。
• 公開データセットで肺炎分類のためのCNNとResidual Networkアーキテクチャを評価する。

提案手法

• カラー空間の増加、コントラストの増加、画像の人工的な明る化という3つの画像前処理手法を適用する。
• 3つの畳み込み層と最大プーリングを備え、ニューラルネットワーク分類器を続けるCNNを使用する。
• 改善された分類性能のために9層のResNetを検討する。
• バイナリ交差エントロピー損失を用い、ドロップアウト、バッチ正規化、Adamオプティマイザで120エポック訓練する。
• 前処理の影響を評価するためにCheXNetおよびアブレーションと比較して精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 X線画像の前処理は肺炎分類性能を改善できるか。
• RQ2 この肺炎検出タスクにおいてCNNとResNetアーキテクチャはどのように比較されるか。
• RQ3 コントラスト強化と画像明る化を組み合わせると、他の前処理の組み合わせより高い精度を得られるか。
• RQ4 提案アプローチは同じデータセット上でCheXNetと比較してどの程度の性能を示すか。

主な発見

ネットワーク	精度
CheXNet (previously proposed model)	76.80%
CNN with Unmodified Input	63.74%
CNN with Expanded Color Scheme	65.42%
CNN with Increased Contrast	69.92%
CNN with Lightened Image on Increased Contrast	75.65%
CNN with Lightened Image on Increased Contrast with ResNet	78.73%

• 最良モデルは78.73%の精度を達成し、CheXNetの76.80%を上回る。
• 拡張カラー_schemeのみでベースCNNより控えめな向上を示した。
• コントラストを増やすとベースモデルより性能が改善した。
• 対比を増加させた画像の明る化は、ResNet適用前のCNN系の中で最高の精度を示した。
• 9層のResNetはさらに精度をトップ値（78.73%）へと向上させた。
• 本研究は提案手法のFスコアを45.79%と報告しており、引用論文の一部の従来法の38.7%と比較される。