[论文解读] Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network

Asmaa Abbas, Mohammed M. Abdelsamea+1 more|arXiv (Cornell University)|Mar 26, 2020

COVID-19 diagnosis using AI被引用 5

一句话总结

本文提出 DeTraC，一种深度卷积神经网络，通过整合类别分解机制来处理数据不规则性，从而提升胸部X光片中新冠肺炎分类的性能。通过将 ResNet18 与 DeTraC 的分解和迁移学习相结合，该模型在多所医院的数据集上实现了 95.12% 的准确率、97.91% 的敏感度和 91.87% 的特异性，表明其在数据分布挑战下仍具有稳健的表现。

ABSTRACT

Chest X-ray is the first imaging technique that plays an important role in the diagnosis of COVID-19 disease. Due to the high availability of large-scale annotated image datasets, great success has been achieved using convolutional neural networks (CNNs) for image recognition and classification. However, due to the limited availability of annotated medical images, the classification of medical images remains the biggest challenge in medical diagnosis. Thanks to transfer learning, an effective mechanism that can provide a promising solution by transferring knowledge from generic object recognition tasks to domain-specific tasks. In this paper, we validate and adapt our previously developed CNN, called Decompose, Transfer, and Compose (DeTraC), for the classification of COVID-19 chest X-ray images. DeTraC can deal with any irregularities in the image dataset by investigating its class boundaries using a class decomposition mechanism. The experimental results showed the capability of DeTraC in the detection of COVID-19 cases from a comprehensive image dataset collected from several hospitals around the world. High accuracy of 95.12% (with a sensitivity of 97.91%, a specificity of 91.87%, and a precision of 93.36%) was achieved by DeTraC in the detection of COVID-19 X-ray images from normal, and severe acute respiratory syndrome cases.

研究动机与目标

• 解决新冠肺炎分类中因标注医学影像数据有限及数据分布不规则带来的挑战。
• 通过利用迁移学习和数据分解，提升深度学习模型在分类胸部X光片用于新冠肺炎检测方面的性能。
• 验证一种新型深度卷积神经网络架构 DeTraC，其通过类别分解提升决策边界灵活性和模型鲁棒性。
• 证明 DeTraC 在处理医学影像中常见的数据不规则性（尤其是在资源有限的环境中）的有效性。
• 提供一种通用且可适应的框架，以提升医学图像分类任务中CNN的性能。

提出的方法

• DeTraC 集成了一种类别分解层，将每个原始类别划分为多个子类别，在重新组合预测结果前为每个子集分配新标签。
• 该方法通过在胸部X光数据集上微调预训练的 ResNet18 模型实现迁移学习，其中最后的全连接层被重新训练以适应六种类别（正常、新冠肺炎、SARS等）。
• 超参数包括：除最后一层学习率为 0.01 外，其余层的基础学习率为 0.0001，批量大小为 64，权重衰减为 0.0001，动量为 0.95。
• 采用每 5 个周期学习率衰减 0.95 的调度策略，以稳定训练过程并防止过拟合。
• 模型训练最多 100 个周期，性能通过混淆矩阵计算的准确率、敏感度、特异度和 AUC 进行评估。
• 该架构在包含强度不均匀性和类别分布不均的多样化、多机构数据集上进行了验证。

实验结果

研究问题

• RQ1 类别分解机制是否能提升深度卷积神经网络在分类不规则医学影像数据集时的鲁棒性？
• RQ2 DeTraC 在从胸部X光片中检测新冠肺炎方面与标准迁移学习方法相比表现如何？
• RQ3 DeTraC 在多大程度上缓解了医学影像中因数据不规则性导致的性能下降？
• RQ4 将类别分解与迁移学习结合是否能提升新冠肺炎检测的敏感度和特异度？
• RQ5 DeTraC 是否能在图像质量与分布各异的多样化、多源胸部X光数据集上实现良好泛化？

主要发现

• DeTraC-ResNet18 在将胸部X光片分类为六种类别（包括正常、新冠肺炎、SARS）时，准确率达到 95.12%。
• 该模型表现出高达 97.91% 的敏感度，表明其对阳性新冠肺炎病例具有强大的检测能力。
• 特异度为 91.87%，证实即使在存在数据不规则性的情况下，也能可靠地区分患病与非患病病例。
• 学习曲线显示训练和测试性能稳定，过拟合程度极低，这得到了 0.0001 权重衰减的支持。
• AUC 曲线证实了强大的判别能力，DeTraC 模型优于标准 ResNet18（后者准确率仅为 92.5%）。
• DeTraC 在敏感度方面显著优于标准 ResNet18（97.91% vs. 65.01%），凸显其在检测阳性病例方面的有效性。