[论文解读] Pneumonia Detection in Chest X-Rays using Neural Networks

Narayana Darapaneni, Ashish Ranjan+5 more|arXiv (Cornell University)|Apr 7, 2022

COVID-19 diagnosis using AI被引用 5

一句话总结

本文提出一种轻量级卷积神经网络（CNN）结合迁移学习的方法，采用Xception、InceptionV3/V4和EfficientNetB7等架构，在RSNA数据集的胸部X光片中实现肺炎检测。尽管计算资源有限，该方法在未进行超参数调优的情况下，使用YOLOv3实现了0.32的平均平均精度（mAP），且损失仍在下降，表明通过延长训练仍有进一步提升的潜力。

ABSTRACT

With the advancement in AI, deep learning techniques are widely used to design robust classification models in several areas such as medical diagnosis tasks in which it achieves good performance. In this paper, we have proposed the CNN model (Convolutional Neural Network) for the classification of Chest X-ray images for Radiological Society of North America Pneumonia (RSNA) datasets. The study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The proposed method is based on a non-complex CNN and the use of transfer learning algorithms like Xception, InceptionV3/V4, EfficientNetB7. Along with this, the study also tries to achieve the same RSNA benchmark results using the limited computational resources by trying out various approaches to the methodologies that have been implemented in recent years. The RSNA benchmark MAP score is 0.25, but using the Mask RCNN model on a stratified sample of 3017 along with image augmentation gave a MAP score of 0.15. Meanwhile, the YoloV3 without any hyperparameter tuning gave the MAP score of 0.32 but still, the loss keeps decreasing. Running the model for a greater number of iterations can give better results.

研究动机与目标

• 开发一种针对胸部X光片的鲁棒且高效的肺炎分类模型，基于深度学习。
• 在计算资源有限的条件下，实现在RSNA肺炎检测基准上的具有竞争力的性能。
• 评估Xception、InceptionV3/V4和EfficientNetB7等模型在迁移学习中在医学图像分类任务中的有效性。
• 探讨数据增强和模型架构选择对检测性能的影响。
• 比较不同深度学习模型（包括Mask R-CNN和YOLOv3）在RSNA数据集上的性能。

提出的方法

• 本研究采用非复杂CNN架构从胸部X光片中提取特征。
• 应用迁移学习，使用包括Xception、InceptionV3/V4和EfficientNetB7在内的预训练模型。
• 使用图像增强技术以提高模型的泛化能力和鲁棒性。
• 基于RSNA基准，使用平均平均精度（mAP）指标评估性能。
• 未进行超参数调优，使用YOLOv3进行目标检测以评估检测能力。
• 使用3,017张图像的分层样本训练并评估Mask R-CNN模型。

实验结果

研究问题

• RQ1 轻量级CNN结合迁移学习是否能在计算资源有限的条件下，在胸部X光片的肺炎检测中实现具有竞争力的性能？
• RQ2 在未进行超参数调优的情况下，YOLOv3在RSNA数据集上的mAP表现与Mask R-CNN相比如何？
• RQ3 数据增强在多大程度上提升了肺炎检测模型的泛化能力？
• RQ4 在该医学影像任务中，EfficientNetB7等高效架构是否能超越标准模型？
• RQ5 YOLOv3的持续训练是否能使其mAP超过观察到的0.32分？

主要发现

• YOLOv3在未进行任何超参数调优的情况下，在RSNA数据集上实现了0.32的平均平均精度（mAP），优于RSNA基准的0.25。
• Mask R-CNN模型在3,017张图像的分层样本上实现了0.15的mAP，表明通过更好的优化仍有改进空间。
• YOLOv3模型在训练过程中损失持续下降，表明进一步训练可能带来更高的mAP分数。
• 成功应用了Xception、InceptionV3/V4和EfficientNetB7等模型的迁移学习，以提升肺炎检测任务的性能。
• 图像增强有助于提升模型鲁棒性，尽管摘要中未报告具体定量增益。
• 本研究证明，通过合理选择模型和数据增强策略，可在计算资源极少的情况下实现高性能。