[论文解读] A Novel and Reliable Deep Learning Web-Based Tool to Detect COVID-19 Infection from Chest CT-Scan

Abdolkarim Saeedi, Maryam Saeedi+1 more|arXiv (Cornell University)|Jun 24, 2020

COVID-19 diagnosis using AI被引用 11

一句话总结

本文提出了一种新颖的基于网络的深度学习系统，通过结合DenseNet进行特征提取和Nu-SVM进行分类，实现从胸部CT扫描中自动检测COVID-19。该系统在每幅图像的推理时间低于40毫秒的情况下，实现了90.61%的准确率、90.80%的召回率、89.76%的精确率以及95.05%的AUC，并可通过基于Flask的REST API公开访问。

ABSTRACT

The corona virus is already spread around the world in many countries, and it has taken many lives. Furthermore, the world health organization (WHO) has announced that COVID-19 has reached the global epidemic stage. Early and reliable diagnosis using chest CT-scan can assist medical specialists in vital circumstances. In this work, we introduce a computer aided diagnosis (CAD) web service to detect COVID- 19 online. One of the largest public chest CT-scan databases, containing 746 participants was used in this experiment. A number of well-known deep neural network architectures consisting of ResNet, Inception and MobileNet were inspected to find the most efficient model for the hybrid system. A combination of the Densely connected convolutional network (DenseNet) in order to reduce image dimensions and Nu-SVM as an anti-overfitting bottleneck was chosen to distinguish between COVID-19 and healthy controls. The proposed methodology achieved 90.80% recall, 89.76% precision and 90.61% accuracy. The method also yields an AUC of 95.05%. Ultimately a flask web service is made public through ngrok using the trained models to provide a RESTful COVID-19 detector, which takes only 39 milliseconds to process one image. The source code is also available at https://github.com/KiLJ4EdeN/COVID_WEB. Based on the findings, it can be inferred that it is feasible to use the proposed technique as an automated tool for diagnosis of COVID-19.

研究动机与目标

• 开发一种快速、准确且可访问的深度学习工具，用于通过胸部CT扫描实现COVID-19的早期检测。
• 通过利用先进的深度学习架构，应对全球COVID-19大流行期间及时且可靠的诊断挑战。
• 创建一个公开可用的网络服务，实现对CT扫描的快速、自动化筛查，以检测COVID-19感染。
• 通过混合DenseNet-Nu-SVM模型，减少过拟合并提高医学图像分类的泛化能力。
• 评估并比较多种深度神经网络（ResNet、Inception、MobileNet）在从CT扫描中检测COVID-19方面的最优性能。

提出的方法

• 设计了一种混合深度学习模型，结合DenseNet对胸部CT图像进行分层特征提取。
• 将DenseNet输出的特征输入到Nu-支持向量机（Nu-SVM）中，作为防止过拟合的瓶颈层，以提升泛化能力。
• 在包含746幅胸部CT扫描的公开数据集上对模型进行训练和验证，数据涵盖COVID-19阳性病例和健康对照组。
• 使用Flask实现了一个网络服务，并通过ngrok部署，提供用于实时推理的RESTful API。
• 对系统进行了速度优化，实现每幅图像仅39毫秒的推理时间。
• 公开了源代码和训练好的模型，以支持可复现性及进一步研究。

实验结果

研究问题

• RQ1 基于深度学习的网络服务是否能在从胸部CT扫描中检测COVID-19时实现高准确率和低延迟？
• RQ2 在ResNet、Inception、MobileNet和DenseNet这几种深度神经网络架构中，哪一种在该诊断任务中表现最佳？
• RQ3 将DenseNet与Nu-SVM结合是否能有效减少过拟合，并提升医学图像分类中的模型泛化能力？
• RQ4 与现有的CAD工具相比，所提出的系统在准确率、召回率和推理速度方面的性能如何？
• RQ5 在临床环境中，是否可行部署一种可靠、实时且公开可访问的深度学习模型，用于自动化COVID-19检测？

主要发现

• 所提出的混合模型在746幅胸部CT扫描的测试集上实现了90.61%的分类准确率。
• 系统表现出90.80%的高召回率，表明在检测真实阳性COVID-19病例方面具有强敏感性。
• 精确率记录为89.76%，反映出检测过程中假阳性率较低。
• 模型在受试者工作特征曲线下面积（AUC）达到95.05%，表明具有优异的判别性能。
• 推理时间被优化至每幅图像39毫秒，支持在临床工作流程中实现实时部署。
• 基于网络的服务可通过公开的REST API访问，支持诊断工具的可扩展性和远程部署。