[论文解读] CovMUNET: A Multiple Loss Approach towards Detection of COVID-19 from Chest X-ray

Ali Sayyed, Dipayan Saha+1 more|arXiv (Cornell University)|Jul 28, 2020

COVID-19 diagnosis using AI被引用 4

一句话总结

CovMUNET 提出了一种使用多损失函数的深度学习模型，用于从胸部 X 光片中检测新冠肺炎，三分类任务（新冠肺炎 vs. 正常 vs. 肺炎）的准确率达到 96.97%，二分类任务（新冠肺炎 vs. 非新冠肺炎）的准确率达到 99.41%，展示了在识别 CXR 影像异常方面的强大性能和鲁棒性。

ABSTRACT

The recent outbreak of COVID-19 has halted the whole world, bringing a devastating effect on public health, global economy, and educational systems. As the vaccine of the virus is still not available, the most effective way to combat the virus is testing and social distancing. Among all other detection techniques, the Chest X-ray (CXR) based method can be a good solution for its simplicity, rapidity, cost, efficiency, and accessibility. In this paper, we propose CovMUNET, which is a multiple loss deep neural network approach to detect COVID-19 cases from CXR images. Extensive experiments are performed to ensure the robustness of the proposed algorithm and the performance is evaluated in terms of precision, recall, accuracy, and F1-score. The proposed method outperforms the state-of-the-art approaches with an accuracy of 96.97% for 3-class classification (COVID-19 vs normal vs pneumonia) and 99.41% for 2-class classification (COVID vs non-COVID). The proposed neural architecture also successfully detects the abnormality in CXR images.

研究动机与目标

• 开发一种深度学习模型，以提高从胸部 X 光片中检测新冠肺炎的准确性。
• 通过采用多损失训练策略，解决新冠肺炎医学影像数据有限且不平衡的挑战。
• 提升模型在区分胸部 X 光片中新冠肺炎、正常及肺炎病例时的泛化能力和鲁棒性。
• 利用可及的影像模态实现新冠肺炎的早期、低成本检测。
• 通过高精度和高召回率识别胸部 X 光片中的异常，支持临床决策。

提出的方法

• 该模型采用结合交叉熵损失和焦点损失的多损失函数，以提升在类别不平衡数据集上的分类性能。
• 设计了一种定制的卷积神经网络架构，用于从胸部 X 光片中提取分层特征。
• 通过针对多分类和二分类任务量身定制的分类损失组合，端到端训练网络。
• 应用数据增强技术以增加训练数据的多样性，提升模型泛化能力。
• 使用标准指标（包括精确率、召回率、F1 分数和准确率）在多种实验设置下对模型进行评估。
• 优化网络架构，使其不仅能检测新冠肺炎，还能识别胸部 X 光片中的其他一般异常。

实验结果

研究问题

• RQ1 与单损失方法相比，多损失函数是否能提升从胸部 X 光片中检测新冠肺炎的准确性？
• RQ2 在多分类设置下，该模型在区分新冠肺炎、正常及肺炎病例方面的表现如何？
• RQ3 该模型在面对具有不同病理特征的未见胸部 X 光数据时，其泛化能力如何？
• RQ4 尽管存在类别不平衡，该模型在二分类任务（新冠肺炎 vs. 非新冠肺炎）中是否能实现高精确率和高召回率？
• RQ5 该模型在检测新冠肺炎以外的胸部 X 光片中一般异常方面的有效性如何？

主要发现

• 在三分类任务（新冠肺炎 vs. 正常 vs. 肺炎）中，模型准确率达到 96.97%，优于现有最先进方法。
• 在二分类任务（新冠肺炎 vs. 非新冠肺炎）中，模型准确率达到 99.41%，表明其具备强大的判别能力。
• 多损失策略显著提升了模型在类别不平衡数据集上的鲁棒性和泛化能力。
• 模型在所有类别上均表现出高精确率和高召回率，表明其检测性能可靠。
• 该架构成功检测出新冠肺炎以外的胸部 X 光片异常，表明其具有更广泛的诊断应用潜力。
• 结果通过标准评估指标得到验证，证实了模型的有效性和可靠性。