[论文解读] Predicting Pneumonia and Region Detection from X-Ray Images using Deep Neural Network

Sheikh Md Hanif Hossain, S M Raju+1 more|arXiv (Cornell University)|Jan 19, 2021

COVID-19 diagnosis using AI被引用 4

一句话总结

本文提出一种基于预训练ResNet-50的迁移学习深度学习方法，用于从胸部X光片中检测肺炎并定位受感染的肺部区域。该模型实现了90.6%的准确率，并采用类激活映射技术提升可解释性，同时开发了用户友好的工具PneuNet，以提升临床可用性。

ABSTRACT

Biomedical images are increasing drastically. Along the way, many machine learning algorithms have been proposed to predict and identify various kinds of diseases. One such disease is Pneumonia which is an infection caused by both bacteria and viruses through the inflammation of a person's lung air sacs. In this paper, an algorithm was proposed that receives x-ray images as input and verifies whether this patient is infected by Pneumonia as well as specific region of the lungs that the inflammation has occurred at. The algorithm is based on the transfer learning mechanism where pre-trained ResNet-50 (Convolutional Neural Network) was used followed by some custom layer for making the prediction. The model has achieved an accuracy of 90.6 percent which confirms that the model is effective and can be implemented for the detection of Pneumonia in patients. Furthermore, a class activation map is used for the detection of the infected region in the lungs. Also, PneuNet was developed so that users can access more easily and use the services.

研究动机与目标

• 开发一种基于深度神经网络的自动化系统，用于在胸部X光片中检测肺炎。
• 利用可解释人工智能技术，定位肺部受肺炎影响的具体区域。
• 通过使用预训练模型的迁移学习，提升诊断准确率和临床实用性。
• 开发一个用户可访问的工具PneuNet，实现在医疗环境中的实际部署。

提出的方法

• 采用迁移学习，使用预训练的ResNet-50卷积神经网络作为特征提取器。
• 在特征提取阶段后添加自定义的全连接层和Dropout层，用于肺炎的二分类。
• 使用类激活映射（CAM）可视化并定位肺部炎症区域。
• 在包含平衡肺炎与正常图像类别的公开胸部X光片数据集上进行模型训练与验证。
• 开发了一个基于网络的界面PneuNet，使临床医生和研究人员能够上传图像并获取预测结果。
• 应用数据增强技术，以提高模型的泛化能力并减少过拟合。

实验结果

研究问题

• RQ1 基于迁移学习的深度学习模型能否准确分类胸部X光片中的肺炎？
• RQ2 该模型能否通过基于注意力的可视化技术成功定位肺部炎症的具体区域？
• RQ3 与现有方法相比，该模型在准确率和可解释性方面的表现如何？
• RQ4 能否有效开发一个用户友好的界面，以支持该模型在临床环境中的部署？

主要发现

• 所提出的模型在测试集上实现了90.6%的分类准确率，表现出强大的预测性能。
• 类激活映射成功突出了肺部炎症区域，显著增强了模型的可解释性及临床信任度。
• 将迁移学习与ResNet-50结合，显著提升了训练效率和模型泛化能力。
• 所开发的PneuNet平台使医疗专业人员和研究人员能够便捷地实现实时预测。
• 通过数据增强，模型在图像质量差异和解剖位置变化方面表现出较强的鲁棒性。