A Lightweight, Rapid and Efficient Deep Convolutional Network for Chest X-Ray Tuberculosis Detection

要約

結核 (TB) は今でも世界中で主な死因の 1 つとして認識されています。
ディープラーニング（DL）の最近の進歩により、胸部 X 線（CXR）画像を正確に、より少ないエラーで解釈する放射線科医の能力が向上し、この疾患のより適切な診断につながることが示されています。
しかし、結核を診断できる、効率的で高速かつ低コストでありながら優れたパフォーマンスを提供するモデルを開発するための研究はほとんど行われていません。
この研究では、CXR 画像から結核を検出するために特別にカスタマイズされた、新しい軽量で高速かつ効率的な深層畳み込みネットワークである LightTBNet を提案します。
2 つの公的に利用可能なデータセットから合計 800 枚の正面 CXR 画像を使用した当社のソリューションは、独立したテスト サブセットで精度、F1、ROC 曲線下面積 (AUC) がそれぞれ 0.906、0.907、0.961 という結果をもたらしました。
提案されたモデルは、最小限の計算要件とメモリ要件で迅速な予測を実現しながら優れたパフォーマンスを発揮するため、TB の蔓延が高くリソースが少ない地域で使用できるハンドヘルド デバイスへの展開に非常に適しています。
コードは https://github.com/dani-capellan/LightTBNet で公開されています。

要約(オリジナル)

Tuberculosis (TB) is still recognized as one of the leading causes of death worldwide. Recent advances in deep learning (DL) have shown to enhance radiologists’ ability to interpret chest X-ray (CXR) images accurately and with fewer errors, leading to a better diagnosis of this disease. However, little work has been done to develop models capable of diagnosing TB that offer good performance while being efficient, fast and computationally inexpensive. In this work, we propose LightTBNet, a novel lightweight, fast and efficient deep convolutional network specially customized to detect TB from CXR images. Using a total of 800 frontal CXR images from two publicly available datasets, our solution yielded an accuracy, F1 and area under the ROC curve (AUC) of 0.906, 0.907 and 0.961, respectively, on an independent test subset. The proposed model demonstrates outstanding performance while delivering a rapid prediction, with minimal computational and memory requirements, making it highly suitable for deployment in handheld devices that can be used in low-resource areas with high TB prevalence. Code publicly available at https://github.com/dani-capellan/LightTBNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google