[논문 리뷰] Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance

Wardah Ali, Eesha Qureshi외 2명|arXiv (Cornell University)|2023. 01. 20.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 논문은 흉부 X선에서 폐렴 검출을 위한 새로운 딥러닝 프레임워크를 제안하며, 이는 다수의 클래스(정상)와 소수의 클래스(폐렴) 사이의 심각한 클래스 불균형 문제를 해결하기 위해 하이브리드 GAN 기반 접근법을 사용한다. 이는 소수 클래스를 위한 데이터 증강을 위해 DCGAN과 WGAN-GP를 조합하고, 다수 클래스를 위한 랜덤 언더샘플링을 적용한다. 이 방법은 전이 학습을 통해 ResNet-50, VGG-16, Xception 모델을 사용하여 ChestX-Ray8 데이터셋에서 최신 기술 수준의 정확도 99.4%를 달성한다.

ABSTRACT

People all over the globe are affected by pneumonia but deaths due to it are highest in Sub-Saharan Asia and South Asia. In recent years, the overall incidence and mortality rate of pneumonia regardless of the utilization of effective vaccines and compelling antibiotics has escalated. Thus, pneumonia remains a disease that needs spry prevention and treatment. The widespread prevalence of pneumonia has caused the research community to come up with a framework that helps detect, diagnose and analyze diseases accurately and promptly. One of the major hurdles faced by the Artificial Intelligence (AI) research community is the lack of publicly available datasets for chest diseases, including pneumonia . Secondly, few of the available datasets are highly imbalanced (normal examples are over sampled, while samples with ailment are in severe minority) making the problem even more challenging. In this article we present a novel framework for the detection of pneumonia. The novelty of the proposed methodology lies in the tackling of class imbalance problem. The Generative Adversarial Network (GAN), specifically a combination of Deep Convolutional Generative Adversarial Network (DCGAN) and Wasserstein GAN gradient penalty (WGAN-GP) was applied on the minority class ``Pneumonia'' for augmentation, whereas Random Under-Sampling (RUS) was done on the majority class ``No Findings'' to deal with the imbalance problem. The ChestX-Ray8 dataset, one of the biggest datasets, is used to validate the performance of the proposed framework. The learning phase is completed using transfer learning on state-of-the-art deep learning models i.e. ResNet-50, Xception, and VGG-16. Results obtained exceed state-of-the-art.

연구 동기 및 목표

• 정상(해당 없음) 사례가 폐렴 사례보다 훨씬 많아지는 폐렴 검출 데이터셋에서의 심각한 클래스 불균형 문제를 해결하기 위해.
• 실제와 유사한 합성 소수 클래스 샘플을 생성하여 딥러닝 모델의 폐렴 검출 성능을 향상시키기 위해.
• 공개된 대용량 ChestX-Ray8 데이터셋을 기반으로 제안된 프레임워크의 유효성을 검증하기 위해.
• GAN 기반 증강과 전이 학습의 조합을 통해 기존 최신 기술 수준의 정확도를 초월하기 위해.
• 향후 진단 신뢰도 향상을 위해 설명 가능한 AI와 앙상블 모델의 가능성 탐색을 위해.

제안 방법

• 소수 클래스(폐렴)를 위한 실재감 있는 합성 흉부 X선 영상을 생성하기 위해 딥 컨volution GAN(DCGAN)과 기울기 보정을 적용한 워셔스타인 GAN(WGAN-GP)을 조합한 하이브리드 생성 모델을 사용한다.
• 다수 클래스(정상)의 데이터를 균형 있게 만들고 학습 편향을 줄이기 위해 랜덤 언더샘플링(RUS)을 적용한다.
• 균형 잡힌 데이터셋을 사용하여 전이 학습을 통해 최신 기술 수준의 세 가지 컨volution 네트워크 아키텍처인 ResNet-50, VGG-16, Xception을 미세 조정한다.
• 과적합 및 수렴 여부를 모니터링하기 위해 정확도, 민감도, 손실 곡선 등의 표준 지표를 사용하여 모델 학습을 평가한다.
• 사전 학습된 모델의 특징 추출 능력을 활용하여 제한된 의료 영상 데이터에서의 일반화 능력을 향상시킨다.
• 모든 모델에서 학습 안정성과 성능을 최적화하기 위해 하이퍼파ram터 튜닝과 조기 정지 기법을 사용한다.

실험 결과

연구 질문

• RQ1 DCGAN과 WGAN-GP를 조합한 하이브리드 GAN 프레임워크가 소수 클래스 폐렴 X선 영상을 효과적으로 증강하여 모델의 일반화 능력을 향상시킬 수 있는가?
• RQ2 다수 클래스의 랜덤 언더샘플링과 함께 GAN 기반 데이터 생성을 조합할 경우, 불균형 데이터셋에서 표준 학습 방식보다 성능 향상이 이루어지는가?
• RQ3 제안된 프레임워크는 ChestX-Ray8 데이터셋에서 기존 최신 기술 수준의 모델과 비교해 정확도와 강건성 측면에서 어떻게 성과를 내는가?
• RQ4 전이 학습과 하이브리드 데이터 증강이 과적합을 얼마나 줄이고 폐렴 검출의 민감도를 향상시키는가?
• RQ5 이러한 방법은 유사한 클래스 불균형 문제를 겪는 다른 의료 영상 작업으로 확장 가능한가?

주요 결과

• 제안된 프레임워크는 ChestX-Ray8 데이터셋에서 최대 99.4%의 정확도를 달성하여 이전 최신 기술 수준 결과를 크게 초월하였다.
• 제안된 증강 및 샘플링 전략을 적용한 VGG-16 모델이 표준 데이터 분할 방식으로 학습한 모델보다 높은 성능을 보였다.
• DCGAN과 WGAN-GP의 조합은 고해상도의 폐렴 X선 영상을 생성하여 모델의 일반화 능력을 향상시키고 과적합을 감소시켰다.
• 검증 손실 곡선은 특히 VGG-16 및 Xception 모델에서 과적합이 최소화된 안정적인 학습을 나타내었다.
• 이 방법은 다양한 아키텍처에서 강건성을 보였으며, ResNet-50 및 Xception 모델 역시 90% 이상의 정확도를 달성하였다.
• 결과적으로 하이브리드 GAN 기반 데이터 증강은 기존의 전통적 오버샘플링 또는 언더샘플링 기법보다 극심한 클래스 불균형 문제를 다루는 데 더 효과적임을 시사한다.