[论文解读] Early Diagnosis of Pneumonia with Deep Learning

Can Jozef Saul, Deniz Yagmur Urey+1 more|arXiv (Cornell University)|Apr 1, 2019

COVID-19 diagnosis using AI参考文献 12被引用 45

一句话总结

本论文提出了一个深度学习管道，对胸部X光图像进行预处理，并比较CNN和ResNet 架构，在肺炎检测中达到78.73%的准确率，超过CheXNet。

ABSTRACT

Pneumonia has been one of the fatal diseases and has the potential to result in severe consequences within a short period of time, due to the flow of fluid in lungs, which leads to drowning. If not acted upon by drugs at the right time, pneumonia may result in death of individuals. Therefore, the early diagnosis is a key factor along the progress of the disease. This paper focuses on the biological progress of pneumonia and its detection by x-ray imaging, overviews the studies conducted on enhancing the level of diagnosis, and presents the methodology and results of an automation of xray images based on various parameters in order to detect the disease at very early stages. In this study we propose our deep learning architecture for the classification task, which is trained with modified images, through multiple steps of preprocessing. Our classification method uses convolutional neural networks and residual network architecture for classifying the images. Our findings yield an accuracy of 78.73%, surpassing the previously top scoring accuracy of 76.8%.

研究动机与目标

• 推动早期肺炎诊断的需求并减少放射科中的人为错误。
• 提出一个自动化的X光图像预处理流程，以增强特征可见度。
• 在公开数据集上评估CNN和残差网络（ResNet）架构的肺炎分类性能。

提出的方法

• 应用三种图像预处理技术：颜色空间增强、对比度增强，以及对图像的人工增亮。
• 使用一个具有三层卷积层和最大池化的CNN，然后接一个神经网络分类器。
• 探索一个9层的残差网络(ResNet)以提升分类性能。
• 使用 dropout、批量归一化和 Adam 优化器，在 120 个周期内使用二元交叉熵损失进行训练。
• 与CheXNet及消融实验进行比较，以评估预处理对准确率的影响。

实验结果

研究问题

• RQ1 X光图像的预处理是否能够提高肺炎分类性能？
• RQ2 在此肺炎检测任务中，CNN和ResNet架构的表现有何差异？
• RQ3 将对比度增强与图像增亮相结合是否比其他预处理组合获得更高的准确率？
• RQ4 在同一数据集上，所提出方法相对于CheXNet的表现如何？

主要发现

• 最佳模型达到78.73%的准确率，超过CheXNet的76.80%。
• 单独扩展颜色方案对基础CNN带来适度提升。
• 提高对比度相对于基础模型提升了性能。
• 在增加对比度的基础上进行增亮，在应用ResNet之前，CNN变体中获得了最高准确率。
• 9层ResNet进一步将准确率提升到报告的最高值(78.73%)。
• 研究报告其方法的F-score为45.79%，而在引用的工作中某些传统方法为38.7%。