[论文解读] Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance

Wardah Ali, Eesha Qureshi+2 more|arXiv (Cornell University)|Jan 20, 2023

COVID-19 diagnosis using AI被引用 5

一句话总结

本文提出了一种用于胸部X光片肺炎检测的新型深度学习框架，通过结合DCGAN与WGAN-GP的混合生成对抗网络方法，解决严重类别不平衡问题，对少数类别（肺炎）进行数据增强，对多数类别（无异常）采用随机欠采样。该方法在ChestX-Ray8数据集上利用ResNet-50、VGG-16和Xception模型进行迁移学习，实现了99.4%的最先进准确率。

ABSTRACT

People all over the globe are affected by pneumonia but deaths due to it are highest in Sub-Saharan Asia and South Asia. In recent years, the overall incidence and mortality rate of pneumonia regardless of the utilization of effective vaccines and compelling antibiotics has escalated. Thus, pneumonia remains a disease that needs spry prevention and treatment. The widespread prevalence of pneumonia has caused the research community to come up with a framework that helps detect, diagnose and analyze diseases accurately and promptly. One of the major hurdles faced by the Artificial Intelligence (AI) research community is the lack of publicly available datasets for chest diseases, including pneumonia . Secondly, few of the available datasets are highly imbalanced (normal examples are over sampled, while samples with ailment are in severe minority) making the problem even more challenging. In this article we present a novel framework for the detection of pneumonia. The novelty of the proposed methodology lies in the tackling of class imbalance problem. The Generative Adversarial Network (GAN), specifically a combination of Deep Convolutional Generative Adversarial Network (DCGAN) and Wasserstein GAN gradient penalty (WGAN-GP) was applied on the minority class ``Pneumonia'' for augmentation, whereas Random Under-Sampling (RUS) was done on the majority class ``No Findings'' to deal with the imbalance problem. The ChestX-Ray8 dataset, one of the biggest datasets, is used to validate the performance of the proposed framework. The learning phase is completed using transfer learning on state-of-the-art deep learning models i.e. ResNet-50, Xception, and VGG-16. Results obtained exceed state-of-the-art.

研究动机与目标

• 解决肺炎检测数据集中严重的类别不平衡问题，其中正常（无异常）病例数量远超肺炎病例。
• 通过生成逼真的合成少数类别样本，提升深度学习模型在胸部X光片中检测肺炎的性能。
• 在大规模公开但高度不平衡的ChestX-Ray8数据集上验证所提出框架的有效性。
• 通过结合基于GAN的数据增强与迁移学习，超越现有最先进准确率。
• 探索可解释人工智能与集成模型在提升诊断可靠性方面的可行性，为未来改进提供方向。

提出的方法

• 采用混合生成模型，结合深度卷积生成对抗网络（DCGAN）与带梯度惩罚的Wasserstein GAN（WGAN-GP），生成逼真的合成胸部X光片图像，用于少数肺炎类别。
• 对多数类别（无异常）应用随机欠采样（RUS），以平衡数据集并减少训练偏差。
• 利用平衡后的数据集，通过迁移学习对三种最先进CNN架构——ResNet-50、VGG-16和Xception进行微调。
• 通过标准指标（如准确率、敏感性及损失曲线）评估模型训练过程，以监控过拟合与收敛情况。
• 框架利用预训练模型的特征提取能力，提升在有限医学影像数据上的泛化性能。
• 采用超参数调优与早停策略，优化所有模型的训练稳定性和性能。

实验结果

研究问题

• RQ1 结合DCGAN与WGAN-GP的混合GAN框架是否能有效增强少数类别肺炎X光片，从而提升模型泛化能力？
• RQ2 将基于GAN的数据生成与多数类别的随机欠采样相结合，是否能优于在不平衡数据集上的标准训练方法？
• RQ3 在ChestX-Ray8数据集上，所提出的框架与现有最先进模型相比，在准确率与鲁棒性方面表现如何？
• RQ4 迁移学习与混合数据增强在多大程度上可减少过拟合并提升肺炎检测的敏感性？
• RQ5 该方法是否可推广至其他存在类似类别不平衡问题的医学影像任务？

主要发现

• 所提框架在ChestX-Ray8数据集上实现了最高99.4%的准确率，显著超越以往最先进结果。
• 采用所提增强与采样策略训练的VGG-16模型表现最佳，优于使用标准数据划分训练的模型。
• DCGAN与WGAN-GP的结合生成了高保真度的肺炎X光片，提升了模型泛化能力并减少了过拟合。
• 验证损失曲线显示训练过程稳定，过拟合现象极小，尤其在VGG-16与Xception模型中表现明显。
• 该方法在多种网络架构上均表现出鲁棒性，ResNet-50与Xception也均实现了超过90%的准确率。
• 结果表明，混合GAN-based数据增强在处理医学影像中极端类别不平衡问题时，比传统过采样或欠采样方法更有效。