[논문 리뷰] Fast and accurate detection of Covid-19-related pneumonia from chest X-ray images with novel deep learning model

M. M. Ramadhan, A. Faza외 11명|arXiv (Cornell University)|2020. 05. 10.

COVID-19 diagnosis using AI인용 수 8

한 줄 요약

이 논문은 흉부 X선(CXR) 영상에서 코로나19 관련 폐렴을 신속하고 정확하게 탐지하기 위한 새로운 딥러닝 모델인 CovIDNet을 제안한다. GitHub와 Kaggle의 오픈소스 CXR 데이터셋을 기반으로 훈련된 모델은 98.44%의 정확도, 코로나19에 대해 100%의 정밀도, 96.97%의 특이도를 기록하여 다른 폐질환과의 분류에서 높은 성능을 보였다.

ABSTRACT

Background: Novel coronavirus disease has spread rapidly worldwide. As recent radiological literatures on Covid-19 related pneumonia is primarily focused on CT findings, the American College of Radiology (ACR) recommends using portable chest X-radiograph (CXR). A tool to assist for detection and monitoring of Covid-19 cases from CXR is highly required. Purpose: To develop a fully automatic framework to detect Covid-19 related pneumonia using CXR images and evaluate its performance. Materials and Methods: In this study, a novel deep learning model, named CovIDNet (Covid-19 Indonesia Neural-Network), was developed to extract visual features from chest x-ray images for the detection of Covid-19 related pneumonia. The model was trained and validated by chest x-rays datasets collected from several open source provided by GitHub and Kaggle. Results and Discussion: In the validation stage using open-source data, the accuracy to recognize Covid-19 and others classes reaches 98.44%, that is, 100% Covid-19 precision and 97% others precision. Discussion: The use of the model to classify Covid-19 and other pathologies might slightly decrease the accuracy. Although SoftMax was used to handle classification bias, this indicates the benefit of additional training upon the introduction of new set of data. Conclusion: The model has been tested and get 98.4% accuracy for open source datasets, the sensitivity and specificity are 100% and 96.97%, respectively.

연구 동기 및 목표

• 이동식 흉부 X선(CXR) 영상에서 코로나19 관련 폐렴을 자동으로 탐지하기 위한 완전 자동화된 딥러닝 프레임워크를 개발하는 것.
• 특히 CT 기반 진단의 한계를 감안할 때 패닉 기간 동안 빠르고 접근 가능한 진단 도구에 대한 임상적 필요를 충족시키는 것.
• 일반적으로 이용 가능한 CXR 영상 기반으로 현장의 의료진이 진단 정확도와 속도를 향상시키는 것.
• 다양한 병리 상태를 포함한 오픈소스 CXR 데이터셋에서 모델의 성능을 평가하는 것.

제안 방법

• CovIDNet(Covid-19 Indonesia Neural-Network)라는 새로운 딥러닝 모델을 개발하여 CXR 영상에서 시각적 특징을 추출하였다.
• 모델는 GitHub와 Kaggle의 오픈소스 리포지터리에서 수집한 흉부 X선 데이터셋을 사용하여 훈련 및 검증하였다.
• 특징 추출 및 분류에는 CXR 영상 분석에 최적화된 컨볼루션 신경망 아키텍처를 사용하였다.
• 클래스 불균형을 완화하고 분류의 공정성을 향상시키기 위해 훈련 중에 SoftMax를 활용하였다.
• 정확도, 정밀도, 민감도, 특이도와 같은 표준 지표를 사용하여 모델를 평가하였다.
• 검증 세트로는 코로나19 또는 다른 폐질환으로 레이블이 지정된 영상들을 사용하여 성능을 테스트하였다.

실험 결과

연구 질문

• RQ1 단지 흉부 X선 영상만을 사용하여 딥러닝 모델이 다른 폐질환과의 구분에서 높은 정확도를 달성할 수 있는가?
• RQ2 다양한 CXR 데이터셋에서 코로나19를 탐지할 때 모델의 민감도와 특이도는 어떻게 되는가?
• RQ3 훈련 데이터의 클래스 불균형이 모델의 분류 성능에 어느 정도 영향을 미치는가?
• RQ4 오픈소스 CXR 컬렉션에 존재하는 다양한 데이터 원천과 영상 변형에 대해 모델이 일반화될 수 있는가?
• RQ5 코로나19와 같은 희귀 질환의 분류에서 SoftMax 손실 사용이 편향을 줄이는 데 어떻게 기여하는가?

주요 결과

• 모델는 오픈소스 데이터셋에서 코로나19 및 비코로나19 사례를 분류하는 데 98.44%의 정확도를 달성하였다.
• 코로나19 탐지에 대한 민감도는 100%였으며, 검증 세트에서 거짓 음성 결과가 없음을 의미한다.
• 특이도는 96.97%였으며, 이는 비코로나19 사례의 96.97%를 정확히 식별했다는 것을 의미한다.
• 코로나19 클래스의 정밀도는 100%에 도달하여 모든 양성 예측가 정확했다는 것을 의미한다.
• '기타' 병리 상태 클래스에 대해 높은 정밀도(97%)를 기록하여 비코로나19 상태에 대한 강력한 일반화 능력을 보였다.
• 새로운 데이터를 도입할 경우 추가 정밀 조정이 성능 유지를 위해 필요할 수 있음을 연구가 시사한다.