[論文レビュー] Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images

Mahesh Gour, Sweta Jain|arXiv (Cornell University)|Jun 22, 2020

COVID-19 diagnosis using AI参考文献 39被引用数 34

ひとこと要約

この論文は、COVID-19 X 線データセットで訓練され、ロジスティック回帰と組み合わせるスタック型CNNアンサンブル（CovNet30 + VGG19サブモデル）を導入し、COVID-19、Normal、Pneumoniaを高精度で分類します。

ABSTRACT

Automatic and rapid screening of COVID-19 from the chest X-ray images has become an urgent need in this pandemic situation of SARS-CoV-2 worldwide in 2020. However, accurate and reliable screening of patients is a massive challenge due to the discrepancy between COVID-19 and other viral pneumonia in X-ray images. In this paper, we design a new stacked convolutional neural network model for the automatic diagnosis of COVID-19 disease from the chest X-ray images. We obtain different sub-models from the VGG19 and developed a 30-layered CNN model (named as CovNet30) during the training, and obtained sub-models are stacked together using logistic regression. The proposed CNN model combines the discriminating power of the different CNN`s sub-models and classifies chest X-ray images into COVID-19, Normal, and Pneumonia classes. In addition, we generate X-ray images dataset referred to as COVID19CXr, which includes 2764 chest x-ray images of 1768 patients from the three publicly available data repositories. The proposed stacked CNN achieves an accuracy of 92.74%, the sensitivity of 93.33%, PPV of 92.13%, and F1-score of 0.93 for the classification of X-ray images. Our proposed approach shows its superiority over the existing methods for the diagnosis of the COVID-19 from the X-ray images.

研究の動機と目的

• 胸部X線画像からCOVID-19、Normal、Pneumoniaを識別する自動CADシステムを開発する。
• 公的ソースからCOVID-19 X線データセット（COVID19CXr）を作成・整理する。
• 多様なサブモデルを活用して診断性能を向上させるスタック型CNNフレームワークを設計する。

提案手法

• X線データ上でスクラッチから訓練された30層CNNであるCovNet30を構築する。
• X線データセットで事前学習済みVGG19モデルをファインチューニングする。
• 訓練中にCovNet30とVGG19から5つのサブモデルを生成する。
• ロジスティック回帰を用いてサブモデルの予測をスタックし、最終的なスタック分類器を形成する。
• 5分割交差検証を用いて評価し、精度、感度、特異度、PPV、F1、AUCなどの指標を算出する。

実験結果

リサーチクエスチョン

• RQ1 スタック型CNNアンサンブルは、単一モデルと比較して胸部X線からのCOVID-19、Normal、Pneumoniaの多クラス診断精度を向上させることができるか？
• RQ2 COVID19CXrデータセットにおけるスタック型モデルの診断性能（感度、特異度、精度、PPV、F1、AUC）はどの程度か？
• RQ3 提案手法は単独のCovNet30およびVGG19モデルとどう比較されるか？
• RQ4 小規模なCOVID-19サンプルサイズとクラス不均衡に関して、フォールド間でモデルは頑健か？

主な発見

Fold	感度 (%)	特異度 (%)	精度 (%)	誤差 ± CI (%)	PPV (%)	F1-スコア	AUC ± CI
Fold1	95.5	98.19	96.94	3.06 ± 1.42	97.69	0.97	0.989 ± 0.003
Fold2	92.66	94.97	91.44	8.56 ± 2.39	91.32	0.92	0.982 ± 0.015
Fold3	91.45	95.01	91.34	8.66 ± 2.35	92.13	0.92	0.982 ± 0.011
Fold4	92.47	94.77	90.22	9.78 ± 2.48	85.97	0.88	0.977 ± 0.023
Fold5	94.59	96.12	93.74	6.26 ± 2.02	93.54	0.94	0.981 ± 0.009

• 5 Fold全体の平均精度は92.74%。
• 平均感度93.33%、平均特異度95.81%。
• 平均PPVは92.13–92.74%、F1スコアは0.93。
• COVID-19クラスの平均AUCは0.994（CIを含む）、全体の平均AUCは0.984。
• スタック型CNNはCovNet30およびVGG19の単独モデルを上回る。
• サブモデルはfoldごとに性能が異なるが、スタック型モデルが最良の結果を出す。