[论文解读] Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep Learning and Transfer Learning Algorithms

Halgurd S. Maghdid, Aras T. Asaad+3 more|arXiv (Cornell University)|Mar 31, 2020

COVID-19 diagnosis using AI被引用 9

一句话总结

本研究提出了一种基于深度学习的方法，结合迁移学习与微调的卷积神经网络（CNN），以从X光和CT扫描图像中检测COVID-19肺炎。通过整合多个来源的综合数据集，并应用改进的预训练AlexNet模型与自定义CNN模型，该方法在诊断准确率上达到最高98%，展示了在临床环境中实现快速、精准诊断的高性能表现。

ABSTRACT

COVID-19 (also known as 2019 Novel Coronavirus) first emerged in Wuhan, China and spread across the globe with unprecedented effect and has now become the greatest crisis of the modern era. The COVID-19 has proved much more pervasive demands for diagnosis that has driven researchers to develop more intelligent, highly responsive and efficient detection methods. In this work, we focus on proposing AI tools that can be used by radiologists or healthcare professionals to diagnose COVID-19 cases in a quick and accurate manner. However, the lack of a publicly available dataset of X-ray and CT images makes the design of such AI tools a challenging task. To this end, this study aims to build a comprehensive dataset of X-rays and CT scan images from multiple sources as well as provides a simple but an effective COVID-19 detection technique using deep learning and transfer learning algorithms. In this vein, a simple convolution neural network (CNN) and modified pre-trained AlexNet model are applied on the prepared X-rays and CT scan images dataset. The result of the experiments shows that the utilized models can provide accuracy up to 98 % via pre-trained network and 94.1 % accuracy by using the modified CNN.

研究动机与目标

• 为应对利用医学影像实现COVID-19肺炎快速、精准诊断的迫切需求。
• 解决公开可用的COVID-19 X光和CT扫描图像数据集有限的挑战。
• 开发并评估一种利用迁移学习提升诊断性能的深度学习框架。
• 为放射科医生提供一种实用的AI工具，以支持疫情期间的临床决策。
• 比较改进的CNN与微调的预训练AlexNet在COVID-19图像分类中的性能表现。

提出的方法

• 作者从多个公开和临床来源收集了X光和CT扫描图像的综合数据集。
• 采用预训练的AlexNet模型进行迁移学习，通过微调其最后几层实现COVID-19分类。
• 在相同数据集上从零开始训练一个改进的卷积神经网络（CNN）以进行性能对比。
• 使用数据增强技术以提升泛化能力并减少过拟合。
• 采用标准指标（包括准确率、精确率、召回率和F1分数）对模型进行评估。
• 训练过程采用随机梯度下降法，以交叉熵损失函数进行优化。

实验结果

研究问题

• RQ1 使用预训练模型进行迁移学习是否能提升从医学影像中检测COVID-19肺炎的准确率？
• RQ2 在相同数据集上，自定义CNN与微调的预训练AlexNet在性能上表现如何？
• RQ3 精心整理的X光和CT扫描数据集在多大程度上能提升模型的泛化能力和诊断可靠性？
• RQ4 在数据量有限的情况下，模型复杂度与诊断准确率之间应如何达到最优平衡？
• RQ5 深度学习模型是否能在无需大规模标注数据集的情况下实现高准确率的COVID-19肺炎分类？

主要发现

• 微调后的预训练AlexNet模型在X光和CT扫描图像的综合数据集上达到了98%的分类准确率。
• 改进的CNN模型在同一数据集上达到了94.1%的准确率，尽管是从零开始训练，仍表现出强劲性能。
• 结果表明，与从零开始训练CNN相比，迁移学习显著提升了诊断准确率。
• 数据集的整理工作为未来在COVID-19医学影像分析领域的研究提供了宝贵且公开可访问的资源。
• 模型在多种图像来源中均表现出稳健性能，表明其具备在真实临床环境中部署的潜力。
• 本研究证实，即使在标注数据有限的情况下，结合迁移学习的深度学习模型仍可实现高诊断准确率。