Coronavirus disease(COVID-19) is highly infectious disease that directly affects the lungs. To observe the clinical findings from these lungs, the Chest Radiography(CXR) can be used in a fast manner. However, the diagnostic performance via CXR needs to be improved, since the identifying these findin...
Coronavirus disease(COVID-19) is highly infectious disease that directly affects the lungs. To observe the clinical findings from these lungs, the Chest Radiography(CXR) can be used in a fast manner. However, the diagnostic performance via CXR needs to be improved, since the identifying these findings are highly time-consuming and prone to human error. Therefore, Artificial Intelligence(AI) based tool may be useful to aid the diagnosis of COVID-19 via CXR. In this study, we explored various Deep learning(DL) approach to classify COVID-19, other viral pneumonia and normal. For the original dataset and lung-segmented dataset, the pre-trained AlexNet, SqueezeNet, ResNet18, DenseNet201 were transfer-trained and validated for 3 class - COVID-19, viral pneumonia, normal. In the results, AlexNet showed the highest mean accuracy of 99.15±2.69% and fastest training time of 1.61±0.56 min among 4 pre-trained neural networks. In this study, we demonstrated the performance of 4 pre-trained neural networks in COVID-19 diagnosis with CXR images. Further, we plotted the class activation map(CAM) of each network and demonstrated that the lung-segmentation pre-processing improve the performance of COVID-19 classifier with CXR images by excluding background features.
Coronavirus disease(COVID-19) is highly infectious disease that directly affects the lungs. To observe the clinical findings from these lungs, the Chest Radiography(CXR) can be used in a fast manner. However, the diagnostic performance via CXR needs to be improved, since the identifying these findings are highly time-consuming and prone to human error. Therefore, Artificial Intelligence(AI) based tool may be useful to aid the diagnosis of COVID-19 via CXR. In this study, we explored various Deep learning(DL) approach to classify COVID-19, other viral pneumonia and normal. For the original dataset and lung-segmented dataset, the pre-trained AlexNet, SqueezeNet, ResNet18, DenseNet201 were transfer-trained and validated for 3 class - COVID-19, viral pneumonia, normal. In the results, AlexNet showed the highest mean accuracy of 99.15±2.69% and fastest training time of 1.61±0.56 min among 4 pre-trained neural networks. In this study, we demonstrated the performance of 4 pre-trained neural networks in COVID-19 diagnosis with CXR images. Further, we plotted the class activation map(CAM) of each network and demonstrated that the lung-segmentation pre-processing improve the performance of COVID-19 classifier with CXR images by excluding background features.
이에 본 연구에서는 픽셀 기반의 폐부 분할 전-처리를 수행하여 폐부만의 해부학적 정보를 훈련·검증하였고, 전-처리 여부에 따른 분류기 성능을 비교하여 전-처리의 효용성을 평가하고자 하였다. 또한, 다양한 인공신경망 구조에 따른 COVID-19 분류기의 성능을 비교하여 최적의 신경망을 제안하고 논의하고자 하였다.
CXR에는 COVID-19 폐렴을 판독하기 위한 폐부 이외의 기타 해부학적 구조물과 심지어는 진단적 가치가 없는 배경 영역의 letter도 포함되므로, 이러한 정보가 모델 학습의 고려 대상이 되는 것을 방지해야 한다. 이에 본 연구에서는 픽셀 기반의 폐부 분할 전-처리를 수행하여 폐부만의 해부학적 정보를 훈련·검증하였고, 전-처리 여부에 따른 분류기 성능을 비교하여 전-처리의 효용성을 평가하고자 하였다. 또한, 다양한 인공신경망 구조에 따른 COVID-19 분류기의 성능을 비교하여 최적의 신경망을 제안하고 논의하고자 하였다.
제안 방법
본 연구에서는 코로나바이러스감염증19의 흉부 방사선영상에 대한 AlexNet, SqueezeNet, ResNet18, DenseNet201의 성능을 비교하였다. 성능 평가는 각각 폐부 분할 전-처리 여부에 따른 2 클래스 분류기(COVID-19, 기타 세균성 폐렴), 3 클래스 분류기(COVID-19, 기타 세균성 폐렴, 정상 소견)에 대해 수행되었다.
본 연구에서는 코로나바이러스감염증19의 흉부 방사선영상에 대한 AlexNet, SqueezeNet, ResNet18, DenseNet201의 성능을 비교하였다. 성능 평가는 각각 폐부 분할 전-처리 여부에 따른 2 클래스 분류기(COVID-19, 기타 세균성 폐렴), 3 클래스 분류기(COVID-19, 기타 세균성 폐렴, 정상 소견)에 대해 수행되었다. 실험 결과에 따르면 AlexNet 이 평균 검증 정확도 99.
대상 데이터
본 연구에는 공공데이터인 COVID-19 RADIOGRAPHY DATABASE가 사용되었다[12]. 실험에는 흉부 방사선영상 COVID-19 174장, 기타 세균성 폐렴: 1,345장, 정상 소견:1,341장이 사용되었다.
본 연구에서는 MATLAB2019a 소프트웨어(MathWorks Inc., Natick, MA, USA)의 Deep Learning ToolboxTM가 사용되었으며, 4종의 사전 학습된 AlexNet, SqueezeNet, ResNet18, DenseNet201이 전이학습에 사용되었다. 본 연구에서는 20회의 epoch, 0.
성능/효과
성능 평가는 각각 폐부 분할 전-처리 여부에 따른 2 클래스 분류기(COVID-19, 기타 세균성 폐렴), 3 클래스 분류기(COVID-19, 기타 세균성 폐렴, 정상 소견)에 대해 수행되었다. 실험 결과에 따르면 AlexNet 이 평균 검증 정확도 99.15±2.69%, 20 epoch를 평균 훈련 시간 1.61±0.56분으로 수행하여 4종의 인공신경망 중 가장 우수한 성능을 나타내었다. 또한, 폐부 분할 전-처리는 일부 조건에서 소폭의 검증 정확도 감소를 나타내었으나, 배경 영역에 학습이 최적화되는 것을 방지한다는 측면에서는 반드시 수행되어야 하며 본 연구에서는 배경 영역 최적화가 폐부 분할 전-처리를 통해 개선될 수 있음을 클래스 활성화 지도를 통해 제시하였다는데 의의가 있다.
56분으로 수행하여 4종의 인공신경망 중 가장 우수한 성능을 나타내었다. 또한, 폐부 분할 전-처리는 일부 조건에서 소폭의 검증 정확도 감소를 나타내었으나, 배경 영역에 학습이 최적화되는 것을 방지한다는 측면에서는 반드시 수행되어야 하며 본 연구에서는 배경 영역 최적화가 폐부 분할 전-처리를 통해 개선될 수 있음을 클래스 활성화 지도를 통해 제시하였다는데 의의가 있다.
후속연구
56분으로 수행하여 4종의 인공신경망 중 가장 우수한 성능을 나타내었다. 하지만, SqueezeNet 의 경우에도 가장 분류가 어려울 것으로 기대된 원본 영상3 class 분류에서 99.74%의 우수한 정확도를 보여, 본 고찰에서 상기한 것과 같이 일부 합성곱 층의 매개변수를 수정 하여 폐부 분할 영상 분류의 성능을 개선하는 추가 연구를 수행하는 것이 타당할 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
RT-PCR에서 시료를 환자의 인·후두(비강 전방)에서 채취하는 이유는 무엇인가?
이는 비강 전방에서 호흡기 시료를 채취하여 유전자 증폭 검사를 하는 것으로, 신종코로나바이러스만이 가지고 있는 유전자 부위를 증폭시켜 확인하는 기법이다. 시료는 환자의 인·후두(비강 전방)에서 채취하는데, 이는 코로나바이러스가 호흡기 바이러스이기 때문에 상부 호흡기인 비강에서 많이 존재하기 때문이다. 하지만, 바이러스 감염자에게서 채취한 시료라 할지라도 시료 내에 바이러스가 집적되어 있지 않다면 음성으로 검사되며, 환자의 감염 후 시기에 따라 바이러스가 감소하는 과정에서 양성이나 음성 여부가 명확하지 않은 시점이 존재할 수 있으며, 시료 내에 적절한 양의 바이러스가 집적되어 있다 하더라도 RT-PCR 과정상에서의 오류로 인하여 잘못된 검사 결과를 낼 수 있다.
코로나바이러스감염증19는 무엇인가?
코로나바이러스감염증19(coronavirus disease 2019; COVID-19)는 2019년 12월 중국 후베이성 우한시에서 발생한 집단 폐렴 환자들로부터 발견된 신종 코로나 바이러스인 중증급성호흡기질환코로나바이러스2(severe acute respiratory syndrome coronavirus2; SARS-CoV2)에 의해 발생하는 질환으로 비말감염을 통한 높은 전파력을 특징으로 한다[1, 2]. 곧이어 발생 한 달 후 2020년 1월에는 중국 전역을 넘어 대한민국을 포함한 일본, 태국 등 아시아 국가는 물론 미국, 영국 등 범세계적인 감염 사례가 보고되었다.
RT-PCR은 어떻게 COVID-19를 확인하는 기법인가?
RT-PCR은 전 세계에서 가장 일반적으로 사용되고 있는 COVID-19 진단검사이다. 이는 비강 전방에서 호흡기 시료를 채취하여 유전자 증폭 검사를 하는 것으로, 신종코로나바이러스만이 가지고 있는 유전자 부위를 증폭시켜 확인하는 기법이다. 시료는 환자의 인·후두(비강 전방)에서 채취하는데, 이는 코로나바이러스가 호흡기 바이러스이기 때문에 상부 호흡기인 비강에서 많이 존재하기 때문이다.
참고문헌 (18)
Shin HH, Lee JH, Kim KH, Kim BJ, Jin SC, Park HM. Application of mobile hospital computed tomography in a state-designated medical institution under the coronavirus disease 2019 (COVID-19) situation by example. Journal of Radiological Science and Technology. 2020;43(2):71-7.
Park M, Cook AR, Lim JT, Sun Y, Dickens BL. A systematic review of COVID-19 epidemiology based on current evidence. Journal of Clinical Medicine. 2020;9(4):967.
Chaudhuri S, Basu S, Kabi P, Unni VR, Saha A. Modeling the role of respiratory droplets in Covid-19 type pandemics. Physics of Fluids. 2020;32(6):063309.
Wikramaratna P, Paton RS, Ghafari M, Lourenco J. Estimating false-negative detection rate of SARS-CoV-2 by RT-PCR. medRxiv.
Wong HYF, Lam HYS, Fong AHT, Leung ST, Chin TWY, Lo CSY, et al. Frequency and distribution of chest radiographic findings in COVID-19 positive patients. Radiology. 2020;201160.
Oh Y, Park S, Ye JC. Deep learning covid-19 features on cxr using limited training data sets. IEEE Transactions on Medical Imaging. 2020.
Zhang J, Xie Y, Li Y, Shen C, Xia Y. Covid-19 screening on chest X-ray images using deep learning based anomaly detection. arXiv preprint arXiv: 2003.12338.
Brunese L, Mercaldo F, Reginelli A, Santone A. Explainable deep learning for pulmonary disease and coronavirus COVID-19 detection from X-rays. Computer Methods and Programs in Biomedicine. 2020;196:105608.
Wang L, Wong A. COVID-Net: A tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images. arXiv preprint arXiv:2003.09871.
Suzuki K. Overview of deep learning in medical imaging. Radiological Physics and Technology. 2017;10(3):257-73.
Xu Y, Hosny A, Zeleznik R, Parmar C, Coroller T, Franco I, et al. Deep learning predicts lung cancer treatment response from serial medical imaging. Clinical Cancer Research. 2019;25(11):3266-75.
Hong JY, Park SH, Jung YJ. Artificial intelligence based medical imaging: An overview. Journal of Radiological Science and Technology. 2020;43(3):195-208.
Rahman, T. (2020, March). COVID-19 Radiography Database, Version 1. Retrieved October 3, 2020 from https://www.kaggle.com/tawsifurrahman/covid19-radiography-database.
Krizhevsky A, Sutskever I, Hinton GE. Imagenet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems; 2012.
Iandola FN, Han S, Moskewicz MW, Ashraf K, Dally WJ, Keutzer K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; 2016.
Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition; 2017.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.