[论文解读] Randomly Initialized Convolutional Neural Network for the Recognition of COVID-19 using X-ray Images

Safa Ben Atitallah, Maha Driss+2 more|arXiv (Cornell University)|May 17, 2021

COVID-19 diagnosis using AI参考文献 14被引用 6

一句话总结

本文提出一种随机初始化的卷积神经网络（CNN），用于从胸部X光片中检测COVID-19，从零开始训练该架构，不使用迁移学习。在两个公开数据集——COVIDx和增强版COVID-19数据集上评估，模型分别实现了94%和99%的准确率，表明在不依赖预训练权重的情况下仍具有优异性能。

ABSTRACT

By the start of 2020, the novel coronavirus disease (COVID-19) has been declared a worldwide pandemic. Because of the severity of this infectious disease, several kinds of research have focused on combatting its ongoing spread. One potential solution to detect COVID-19 is by analyzing the chest X-ray images using Deep Learning (DL) models. In this context, Convolutional Neural Networks (CNNs) are presented as efficient techniques for early diagnosis. In this study, we propose a novel randomly initialized CNN architecture for the recognition of COVID-19. This network consists of a set of different-sized hidden layers created from scratch. The performance of this network is evaluated through two public datasets, which are the COVIDx and the enhanced COVID-19 datasets. Both of these datasets consist of 3 different classes of images: COVID19, pneumonia, and normal chest X-ray images. The proposed CNN model yields encouraging results with 94% and 99% of accuracy for COVIDx and enhanced COVID-19 dataset, respectively.

研究动机与目标

• 开发一种深度学习模型，用于通过胸部X光片实现COVID-19的早期检测。
• 研究从随机初始化开始训练的CNN在无预训练权重情况下的性能表现。
• 在包含正常、肺炎和COVID-19 X光片的多样化公开数据集上评估该模型。
• 证明自定义架构的CNN可在不使用迁移学习的情况下实现高准确率。

提出的方法

• 从零开始设计一种新型CNN架构，包含多层不同大小的隐藏层。
• 使用随机梯度下降和交叉熵损失函数进行端到端训练。
• 应用数据增强技术以提升泛化能力并减少过拟合。
• 在两个公开数据集上评估模型：COVIDx和增强版COVID-19数据集。
• 训练过程仅使用随机初始化，避免使用ImageNet或其他预训练权重。
• 通过超参数调优和早停策略优化架构，以防止过拟合。

实验结果

研究问题

• RQ1 在不使用迁移学习的情况下，随机初始化的CNN能否在胸部X光片中对COVID-19实现高准确率分类？
• RQ2 在公开的COVID-19 X光片数据集上，自定义CNN的性能与预训练模型相比如何？
• RQ3 在低数据量场景下，数据增强和网络架构设计对模型泛化能力有何影响？
• RQ4 从零开始训练的CNN能否有效区分正常、肺炎和COVID-19的X光片？

主要发现

• 所提出的CNN在包含正常、肺炎和COVID-19 X光片的COVIDx数据集上实现了94%的准确率。
• 在增强版COVID-19数据集中，模型准确率达到99%，表明在数据质量提升后具有出色的泛化能力。
• 结果表明，随机初始化可在不依赖ImageNet预训练权重的情况下实现具有竞争力的性能。
• 模型性能凸显了在少样本医学影像任务中，网络架构设计与数据增强的有效性。
• 未使用迁移学习并未影响性能表现，表明针对特定医学分类任务，自定义训练可能已足够。
• 该模型在不同数据分布下表现出鲁棒性，尤其在数据质量和多样性提升时更为显著。