[论文解读] Stacked Convolutional Neural Network for Diagnosis of COVID-19 Disease from X-ray Images

Mahesh Gour, Sweta Jain|arXiv (Cornell University)|Jun 22, 2020

COVID-19 diagnosis using AI参考文献 39被引用 34

一句话总结

本文提出一个堆叠式 CNN 集成模型（CovNet30 + VGG19 子模型），在 COVID-19 X 光数据集上训练，并与逻辑回归结合，以对 COVID-19、Normal 与 Pneumonia 进行高精度分类。

ABSTRACT

Automatic and rapid screening of COVID-19 from the chest X-ray images has become an urgent need in this pandemic situation of SARS-CoV-2 worldwide in 2020. However, accurate and reliable screening of patients is a massive challenge due to the discrepancy between COVID-19 and other viral pneumonia in X-ray images. In this paper, we design a new stacked convolutional neural network model for the automatic diagnosis of COVID-19 disease from the chest X-ray images. We obtain different sub-models from the VGG19 and developed a 30-layered CNN model (named as CovNet30) during the training, and obtained sub-models are stacked together using logistic regression. The proposed CNN model combines the discriminating power of the different CNN`s sub-models and classifies chest X-ray images into COVID-19, Normal, and Pneumonia classes. In addition, we generate X-ray images dataset referred to as COVID19CXr, which includes 2764 chest x-ray images of 1768 patients from the three publicly available data repositories. The proposed stacked CNN achieves an accuracy of 92.74%, the sensitivity of 93.33%, PPV of 92.13%, and F1-score of 0.93 for the classification of X-ray images. Our proposed approach shows its superiority over the existing methods for the diagnosis of the COVID-19 from the X-ray images.

研究动机与目标

• 开发一个自动化的 CAD 系统，用于从胸部 X 光图像中区分 COVID-19、Normal 和 Pneumonia。
• 从公开来源创建和整理一个 COVID-19 X 射线数据集（COVID19CXr）。
• 设计一个堆叠式 CNN 框架，以利用多样化的子模型来提升诊断性能。

提出的方法

• 构建 CovNet30，一个从头开始在 X 光数据上训练的 30 层 CNN。
• 在 X 射线数据集上对一个预训练的 VGG19 模型进行微调。
• 在训练过程中从 CovNet30 和 VGG19 生成五个子模型。
• 使用逻辑回归对子模型预测进行堆叠，以形成最终的堆叠分类器。
• 使用 5 折交叉验证进行评估，指标包括准确率、灵敏度、特异性、PPV、F1 和 AUC。

实验结果

研究问题

• RQ1 堆叠式 CNN 集成是否能在胸部 X 光上相较于单独模型提高多类（COVID-19、Normal、Pneumonia）的诊断准确性？
• RQ2 在 COVID19CXr 数据集上，堆叠模型的诊断性能（灵敏度、特异性、准确率、PPV、F1、AUC）是多少？
• RQ3 所提出的方法与独立的 CovNet30 和 VGG19 模型相比如何？
• RQ4 在不同折之间，模型是否对类别不均衡和 COVID-19 样本量较小具有鲁棒性？

主要发现

Fold	Sensitivity (%)	Specificity (%)	Accuracy (%)	Err ± CI (%)	PPV (%)	F1-Score	AUC ± CI
Fold1	95.5	98.19	96.94	3.06 ± 1.42	97.69	0.97	0.989 ± 0.003
Fold2	92.66	94.97	91.44	8.56 ± 2.39	91.32	0.92	0.982 ± 0.015
Fold3	91.45	95.01	91.34	8.66 ± 2.35	92.13	0.92	0.982 ± 0.011
Fold4	92.47	94.77	90.22	9.78 ± 2.48	85.97	0.88	0.977 ± 0.023
Fold5	94.59	96.12	93.74	6.26 ± 2.02	93.54	0.94	0.981 ± 0.009

• 在 5 折中平均准确率为 92.74%。
• 平均灵敏度为 93.33%，平均特异性为 95.81%。
• 平均 PPV 为 92.13–92.74%，F1 分数为 0.93。
• COVID-19 类的平均 AUC 为 0.994，含置信区间；总体平均 AUC 为 0.984。
• 堆叠式 CNN 的表现优于 CovNet30 和 VGG19 的独立模型。
• 各子模型在不同折中的表现各不相同，而堆叠模型取得了最佳结果。