[论文解读] Disease Detection from Lung X-ray Images based on Hybrid Deep Learning

Subrato Bharati, Prajoy Podder|arXiv (Cornell University)|Mar 2, 2020

COVID-19 diagnosis using AI参考文献 13被引用 3

一句话总结

本文提出了一种混合深度学习框架，用于从X光片中早期检测肺部疾病，结合了CNN、VGG、空间变换网络（STN）和胶囊网络，以在图像存在变化的情况下提高分类准确性。融合模型在完整数据集和采样数据集上的精确率、召回率、F1分数和准确率方面均优于单一网络，表现最佳。

ABSTRACT

Lung Disease can be considered as the second most common type of disease for men and women. Many people die of lung disease such as lung cancer, Asthma, CPD (Chronic pulmonary disease) etc. in every year. Early detection of lung cancer can lessen the probability of deaths. In this paper, a chest X ray image dataset has been used in order to diagnosis properly and analysis the lung disease. For binary classification, some important is selected. The criteria include precision, recall, F beta score and accuracy. The fusion of AI and cancer diagnosis are acquiring huge interest as a cancer diagnostic tool. In recent days, deep learning based AI for example Convolutional neural network (CNN) can be successfully applied for disease classification and prediction. This paper mainly focuses the performance of Vanilla neural network, CNN, fusion of CNN and Visual Geometry group based neural network (VGG), fusion of CNN, VGG, STN and finally Capsule network. Normally basic CNN has poor performance for rotated, tilted or other abnormal image orientation. As a result, hybrid systems have been exhibited in order to enhance the accuracy with the maintenance of less training time. All models have been implemented in two groups of data sets: full dataset and sample dataset. Therefore, a comparative analysis has been developed in this paper. Some visualization of the attributes of the dataset has also been showed in this paper

研究动机与目标

• 使用深度学习提高从胸部X光片中检测肺部疾病的准确性。
• 通过混合架构设计，解决标准CNN在处理旋转或倾斜X光片时的局限性。
• 比较原始神经网络、独立CNN和多种混合模型在肺部疾病二分类任务中的性能。
• 使用精确率、召回率、F-beta分数和准确率评估模型性能，涵盖完整数据集和采样数据集。
• 通过可视化数据集属性，支持模型解释和验证。

提出的方法

• 使用胸部X光片数据集进行肺部疾病的二分类。
• 实现一个原始神经网络作为基线模型以供比较。
• 应用卷积神经网络（CNN）从X光片中提取特征。
• 集成基于VGG的网络以增强特征表示和泛化能力。
• 引入空间变换网络（STN）自动关注并归一化旋转或失真的图像区域。
• 将CNN、VGG、STN和胶囊网络整合为混合架构，以提高鲁棒性和分类准确性。

实验结果

研究问题

• RQ1 混合深度学习模型在从X光片中分类肺部疾病时，其性能与独立CNN和原始网络相比如何？
• RQ2 VGG和STN组件的集成在多大程度上提升了模型对图像旋转和方向变化的鲁棒性？
• RQ3 在使用完整数据集与采样数据集时，模型复杂度对训练时间和分类准确率有何影响？
• RQ4 在二分类肺部疾病任务中，不同模型架构的精确率、召回率、F-beta分数和准确率如何变化？
• RQ5 数据集属性的可视化能否帮助理解模型行为并提升诊断可靠性？

主要发现

• 结合CNN、VGG、STN和胶囊网络的混合模型在精确率、召回率、F-beta分数和准确率方面均达到最高分类性能。
• 融合模型在应对图像变化（如旋转和倾斜）方面表现出更强的鲁棒性，优于标准CNN。
• 性能指标在完整数据集上的表现始终优于采样数据集，表明数据量的重要性。
• STN的集成增强了模型聚焦于相关解剖区域的能力，有助于改善特征学习。
• 数据集属性的可视化提供了关于图像质量和分布的洞察，支持模型解释和数据质量评估。
• 所提出的混合方法减少了各独立模型的局限性，尤其在处理临床X光片中常见的非标准图像方向方面表现更优。