[论文解读] COVID-19 Classification Using Deep Learning Two-Stage Approach

Mostapha Alsaidi, Ali Saleem Altaher+3 more|arXiv (Cornell University)|Nov 28, 2022

COVID-19 diagnosis using AI被引用 6

一句话总结

本文提出了一种两阶段深度学习方法（Covid-TSC），用于将胸部X光片分类为四种类别：COVID-19、正常、异常阴影和肺炎。在包含20,000多张图像的数据集上，使用VGG16和VGG19进行迁移学习，研究发现，通过微调VGG16实现的一次性分类方法达到了95%的准确率，优于两阶段方法，表明两阶段设计并未如假设那样提升性能。

ABSTRACT

In this paper, deep-learning-based approaches namely fine-tuning of pretrained convolutional neural networks (VGG16 and VGG19), and end-to-end training of a developed CNN model, have been used in order to classify X-Ray images into four different classes that include COVID-19, normal, opacity and pneumonia cases. A dataset containing more than 20,000 X-ray scans was retrieved from Kaggle and used in this experiment. A two-stage classification approach was implemented to be compared to the one-shot classification approach. Our hypothesis was that a two-stage model will be able to achieve better performance than a one-shot model. Our results show otherwise as VGG16 achieved 95% accuracy using one-shot approach over 5-fold of training. Future work will focus on a more robust implementation of the two-stage classification model Covid-TSC. The main improvement will be allowing data to flow from the output of stage-1 to the input of stage-2, where stage-1 and stage-2 models are VGG16 models fine-tuned on the Covid-19 dataset.

研究动机与目标

• 开发并评估一种两阶段深度学习模型（Covid-TSC），用于将胸部X光片分类为四种类别：COVID-19、正常、异常阴影和肺炎。
• 将两阶段方法的性能与基于迁移学习的一次性分类方法进行比较。
• 探究将分类过程分为两个阶段——首先区分疾病与正常情况，然后识别具体疾病类型——是否能提高模型的准确率和鲁棒性。
• 评估通过微调和端到端训练使用VGG16和VGG19实现从X光片自动诊断COVID-19的可行性。
• 识别当前两阶段设计的局限性，并为未来实现提出改进建议。

提出的方法

• 设计了一种两阶段分类模型（Covid-TSC），其中第一阶段区分正常与疾病病例，第二阶段对疾病类型（COVID-19、异常阴影、肺炎）进行分类。
• 在包含超过20,000张X光片的COVID-Radiology数据集上，应用预训练的VGG16和VGG19模型进行迁移学习并进行微调。
• 还开发并对比了端到端训练的CNN模型。
• 使用五折交叉验证评估模型性能，指标包括准确率、精确率、召回率和F1分数。
• 为两阶段生成混淆矩阵和分类报告，以分析模型行为和错误模式。
• 在实验中标准化硬件资源（CPU、GPU、RAM），以确保训练时间和性能的一致性与可比性。

实验结果

研究问题

• RQ1 与一次性方法相比，两阶段深度学习方法是否能提高对四种类别（COVID-19、正常、异常阴影、肺炎）X光片分类的准确率？
• RQ2 使用VGG16和VGG19进行迁移学习是否能在有限的医学X光片数据集上实现高性能分类？
• RQ3 模型架构和训练策略（微调与端到端训练）对COVID-19检测诊断准确率有何影响？
• RQ4 为何两阶段模型的性能低于一次性模型？哪些设计缺陷可能导致这一结果？
• RQ5 如何重构两阶段模型，以实现从第一阶段到第二阶段的特征传递，从而提升性能？

主要发现

• 通过微调VGG16实现的一次性分类在五折交叉验证中达到95%的准确率，显著优于两阶段方法。
• VGG16在COVID-19类别上表现出0.99的召回率，表明其正确识别了99%的实际COVID-19病例。
• COVID-19类别的精确率为0.98，意味着2%的非COVID-19图像被错误分类为阳性。
• 两阶段模型的第二阶段对异常阴影和肺炎类别的召回率均为100%，对COVID-19类别的召回率为98%，表明其对这些类别的检测能力很强。
• 尽管召回率表现良好，但两阶段模型（Covid-TSC）的准确率仅为82.4%，低于VGG16在相同数据集上的95.2%准确率。
• 两阶段模型的训练时间更短（2.10秒），低于VGG16的3.14秒，但这种效率并未转化为更好的性能。