[论文解读] Automatic Detection of COVID-19 Cases on X-ray images Using Convolutional Neural Networks

Lucas Pedrosa Soares, Cesar P. Soares|arXiv (Cornell University)|Jul 2, 2020

COVID-19 diagnosis using AI参考文献 13被引用 13

一句话总结

本研究提出一种基于迁移学习的深度学习方法，采用VGG-16、ResNet和Xception卷积神经网络，自动检测胸部X光片中的COVID-19。VGG-16模型在75张未见过的测试图像上达到97.3%的准确率，正确识别出全部39例COVID-19病例，并表现出极强的泛化能力，过拟合程度极低。

ABSTRACT

In recent months the world has been surprised by the rapid advance of COVID-19. In order to face this disease and minimize its socio-economic impacts, in addition to surveillance and treatment, diagnosis is a crucial procedure. However, the realization of this is hampered by the delay and the limited access to laboratory tests, demanding new strategies to carry out case triage. In this scenario, deep learning models are being proposed as a possible option to assist the diagnostic process based on chest X-ray and computed tomography images. Therefore, this research aims to automate the process of detecting COVID-19 cases from chest images, using convolutional neural networks (CNN) through deep learning techniques. The results can contribute to expand access to other forms of detection of COVID-19 and to speed up the process of identifying this disease. All databases used, the codes built, and the results obtained from the models' training are available for open access. This action facilitates the involvement of other researchers in enhancing these models since this can contribute to the improvement of results and, consequently, the progress in confronting COVID-19.

研究动机与目标

• 通过开发一种基于医学影像的替代诊断方法，应对COVID-19检测中RT-PCR检测延迟和资源有限的问题。
• 通过自动化识别胸部X光片中的COVID-19，改善病例分诊并加速检测。
• 利用深度学习模型提升诊断可及性，特别是在资源有限的环境中。
• 通过在开放获取许可下发布所有模型、代码和数据集，促进协作研究，鼓励模型改进与验证。

提出的方法

• 使用ImageNet预训练的卷积层，通过迁移学习训练三种深度学习架构——VGG-16、ResNet和Xception。
• 仅微调全连接层，同时冻结卷积层权重，以适应小规模的COVID-19胸部X光片数据集。
• 使用包含375张胸部X光片的数据集：175张为COVID-19阳性，100张为正常，100张为其他肺部感染。
• 通过数据集整理实现隐式的数据增强，并采用10%的验证集和10%的测试集进行模型评估。
• 使用Adam优化器，初始学习率固定为0.001，损失函数为分类交叉熵。
• 通过准确率、混淆矩阵和类激活图（Grad-CAM）评估模型性能，以解释模型关注的区域。

实验结果

研究问题

• RQ1 使用预训练CNN进行迁移学习，能否有效检测有限胸部X光片数据集中的COVID-19？
• RQ2 不同深度学习架构（VGG-16、ResNet、Xception）在分类COVID-19、正常及其它肺部感染病例方面的表现如何比较？
• RQ3 该模型在未见过的测试数据上的泛化能力如何？其识别阳性COVID-19病例的准确率是多少？
• RQ4 当模型将病例分类为COVID-19时，其注意力集中在胸部X光片的哪些区域？该关注区域是否与已知的病理模式一致？
• RQ5 开源模型和训练代码在多大程度上能加速人工智能驱动的COVID-19检测的协作改进？

主要发现

• VGG-16模型在测试集中达到最高的准确率97.3%，在独立测试集的75张图像中正确分类了73张。
• VGG-16模型正确识别出全部39例COVID-19病例，对阳性类别的敏感度达到100%。
• 该模型在正常肺部X光片分类中准确率达88.2%，在其他感染病例中准确率达100%，正常病例中仅有两例假阳性。
• VGG-16模型表现出最少的过拟合现象，其训练损失与验证损失曲线高度接近；而Xception和ResNet则表现出过拟合。
• Grad-CAM可视化显示，模型关注肺部高激活区域，但不同病例间未观察到一致的解剖学模式。
• 在GitHub和作者博客上公开模型、代码和数据集，确保了结果的可重现性，并支持系统的协作性改进。