[论文解读] Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation

Aman Swaraj, Karan Verma|arXiv (Cornell University)|Dec 5, 2021

COVID-19 diagnosis using AI被引用 4

一句话总结

本研究提出了一种深度学习框架，通过直方图均衡化和基于U-Net的肺部分割来提升图像质量和聚焦相关区域，实现从胸部X光片中分类COVID-19。该方法采用VGG-16进行特征提取，使用SMOTE进行数据集平衡，并通过SVM进行分类，在包含2,470张图像的三分类数据集（健康、肺炎和COVID-19）上实现了98%的准确率。

ABSTRACT

Background and Objective: Artificial intelligence (AI) methods coupled with biomedical analysis has a critical role during pandemics as it helps to release the overwhelming pressure from healthcare systems and physicians. As the ongoing COVID-19 crisis worsens in countries having dense populations and inadequate testing kits like Brazil and India, radiological imaging can act as an important diagnostic tool to accurately classify covid-19 patients and prescribe the necessary treatment in due time. With this motivation, we present our study based on deep learning architecture for detecting covid-19 infected lungs using chest X-rays. Dataset: We collected a total of 2470 images for three different class labels, namely, healthy lungs, ordinary pneumonia, and covid-19 infected pneumonia, out of which 470 X-ray images belong to the covid-19 category. Methods: We first pre-process all the images using histogram equalization techniques and segment them using U-net architecture. VGG-16 network is then used for feature extraction from the pre-processed images which is further sampled by SMOTE oversampling technique to achieve a balanced dataset. Finally, the class-balanced features are classified using a support vector machine (SVM) classifier with 10-fold cross-validation and the accuracy is evaluated. Result and Conclusion: Our novel approach combining well-known pre-processing techniques, feature extraction methods, and dataset balancing method, lead us to an outstanding rate of recognition of 98% for COVID-19 images over a dataset of 2470 X-ray images. Our model is therefore fit to be utilized in healthcare facilities for screening purposes.

研究动机与目标

• 为在COVID-19大流行期间测试能力有限的地区减轻诊断负担，开发基于人工智能的筛查工具。
• 通过图像预处理和感兴趣区域聚焦，提升胸部X光片中COVID-19检测的性能。
• 通过SMOTE过采样技术克服医学影像数据集中的类别不平衡问题，实现更稳健的模型训练。
• 评估结合直方图均衡化、U-Net分割和基于VGG-16的迁移学习在分类任务中的有效性。
• 提供一种可靠且高准确率的模型，适用于医疗设施部署，实现COVID-19的早期检测。

提出的方法

• 使用直方图均衡化对胸部X光片进行预处理，以增强对比度并提高肺部结构的可见性。
• 应用U-Net架构从预处理后的X光片中分割肺部区域，隔离感兴趣区域。
• 使用预训练的VGG-16从分割后的肺部区域中提取特征，以捕捉分层模式。
• 实施SMOTE过采样技术，平衡三类数据集：健康、肺炎和COVID-19。
• 在经过平衡的高维特征上，使用支持向量机（SVM）分类器进行训练，并采用10折交叉验证。
• 通过10折交叉验证评估模型性能，以确保其鲁棒性和泛化能力。

实验结果

研究问题

• RQ1 直方图均衡化和肺部分割是否能提升胸部X光片中COVID-19检测的准确性？
• RQ2 结合VGG-16特征提取与基于SMOTE的数据平衡方法，在低资源医学影像分类中的有效性如何？
• RQ3 所提出的流程在区分健康、肺炎和COVID-19病例方面，相较于基线方法的优越程度如何？
• RQ4 使用U-Net分割是否能减少噪声和无关结构，从而提升分类器性能？
• RQ5 所提出的模型是否能在典型真实世界医学影像场景中常见的小样本、不平衡数据集上实现高准确率？

主要发现

• 所提出的方法在胸部X光片中检测COVID-19的分类准确率达到98%。
• 直方图均衡化与U-Net分割的整合显著提升了图像质量并增强了感兴趣区域的聚焦。
• SMOTE过采样有效缓解了类别不平衡问题，尤其对少数类COVID-19（470张图像）有显著改善。
• 使用VGG-16进行特征提取，使模型能够从分割后的肺部区域中稳健学习判别性模式。
• 10折交叉验证结果表明，所有折次表现一致，表明模型具有稳定性和良好的泛化能力。
• 该模型在临床环境中部署以支持COVID-19早期且准确检测方面展现出强大潜力。