Improving COVID-19 CT Classification of CNNs by Learning Parameter-Efficient Representation

要約

COVID-19のパンデミックは世界中で急速に拡大し続け、世界の人々の健康と経済に甚大な危機をもたらしています。その早期発見と診断は、さらなる拡大を抑制するために極めて重要です。コンピュータ断層撮影に基づくCOVID-19の自動診断で臨床医を支援するために、多くのディープラーニングベースの手法が提案されています。しかし、既存のデータセットにおけるデータ多様性の低さや、深層学習モデルの精度や感度が不十分であることに起因する満足な検出ができないなどの課題が依然として残されています。データ多様性を高めるため、段階的なレベルの増強技術を設計し、最大のオープンアクセスベンチマークデータセットであるCOVIDx CT-2Aに適用しています。一方、本研究では、CNNがよりパラメータ効率の良い表現を学習できるように、対比学習から派生した類似性正則化（SR）を提案し、CNNの精度と感度を向上させる。一般的に用いられる7つのCNNを対象とした結果、設計された補強とSRの手法を適用することにより、CNNの性能が安定的に向上することが実証された。特に、SRを適用したDenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎の3カテゴリ分類において、3回の試行で平均99.44%のテスト精度を達成した。また，COVID-19肺炎の分類では，精度98.40%，感度99.59%，特異度99.50%という高い精度を達成した．これらの統計量は、COVIDx CT-2Aデータセットにおいて、本手法が既存の最先端手法を凌駕していることを示唆している。

要約(オリジナル)

COVID-19 pandemic continues to spread rapidly over the world and causes a tremendous crisis in global human health and the economy. Its early detection and diagnosis are crucial for controlling the further spread. Many deep learning-based methods have been proposed to assist clinicians in automatic COVID-19 diagnosis based on computed tomography imaging. However, challenges still remain, including low data diversity in existing datasets, and unsatisfied detection resulting from insufficient accuracy and sensitivity of deep learning models. To enhance the data diversity, we design augmentation techniques of incremental levels and apply them to the largest open-access benchmark dataset, COVIDx CT-2A. Meanwhile, similarity regularization (SR) derived from contrastive learning is proposed in this study to enable CNNs to learn more parameter-efficient representations, thus improving the accuracy and sensitivity of CNNs. The results on seven commonly used CNNs demonstrate that CNN performance can be improved stably through applying the designed augmentation and SR techniques. In particular, DenseNet121 with SR achieves an average test accuracy of 99.44% in three trials for three-category classification, including normal, non-COVID-19 pneumonia, and COVID-19 pneumonia. And the achieved precision, sensitivity, and specificity for the COVID-19 pneumonia category are 98.40%, 99.59%, and 99.50%, respectively. These statistics suggest that our method has surpassed the existing state-of-the-art methods on the COVIDx CT-2A dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL