Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance

要約

世界中の人々が肺炎の影響を受けていますが、肺炎による死亡者数はサハラ以南のアジアと南アジアで最も高くなっています。
近年、効果的なワクチンや説得力のある抗生物質の利用に関係なく、肺炎の全体的な発生率と死亡率が上昇しています。
したがって、肺炎は依然としてスプリー予防と治療が必要な疾患です。
肺炎の蔓延により、研究コミュニティは、病気を正確かつ迅速に検出、診断、分析するためのフレームワークを考え出すようになりました。
人工知能 (AI) 研究コミュニティが直面している主要なハードルの 1 つは、肺炎を含む胸部疾患に関する公的に利用可能なデータセットがないことです。
第 2 に、利用可能なデータセットのほとんどが非常に不均衡であり (通常のサンプルはオーバー サンプリングされていますが、病気のサンプルは非常に少数です)、問題をさらに困難にしています。
この記事では、肺炎を検出するための新しいフレームワークを紹介します。
提案された方法論の新規性は、クラスの不均衡問題への取り組みにあります。
Generative Adversarial Network (GAN)、具体的には Deep Convolutional Generative Adversarial Network (DCGAN) と Wasserstein GAN 勾配ペナルティ (WGAN-GP) の組み合わせが、増強のためにマイノリティ クラス「肺炎」に適用されました。
RUS) は、不均衡の問題に対処するために多数派クラス “No Findings” で行われました。
最大のデータセットの 1 つである ChestX-Ray8 データセットは、提案されたフレームワークのパフォーマンスを検証するために使用されます。
学習段階は、ResNet-50、Xception、VGG-16 などの最先端の深層学習モデルで転移学習を使用して完了します。
得られた結果は、最先端を超えています。

要約(オリジナル)

People all over the globe are affected by pneumonia but deaths due to it are highest in Sub-Saharan Asia and South Asia. In recent years, the overall incidence and mortality rate of pneumonia regardless of the utilization of effective vaccines and compelling antibiotics has escalated. Thus, pneumonia remains a disease that needs spry prevention and treatment. The widespread prevalence of pneumonia has caused the research community to come up with a framework that helps detect, diagnose and analyze diseases accurately and promptly. One of the major hurdles faced by the Artificial Intelligence (AI) research community is the lack of publicly available datasets for chest diseases, including pneumonia . Secondly, few of the available datasets are highly imbalanced (normal examples are over sampled, while samples with ailment are in severe minority) making the problem even more challenging. In this article we present a novel framework for the detection of pneumonia. The novelty of the proposed methodology lies in the tackling of class imbalance problem. The Generative Adversarial Network (GAN), specifically a combination of Deep Convolutional Generative Adversarial Network (DCGAN) and Wasserstein GAN gradient penalty (WGAN-GP) was applied on the minority class “Pneumonia” for augmentation, whereas Random Under-Sampling (RUS) was done on the majority class “No Findings” to deal with the imbalance problem. The ChestX-Ray8 dataset, one of the biggest datasets, is used to validate the performance of the proposed framework. The learning phase is completed using transfer learning on state-of-the-art deep learning models i.e. ResNet-50, Xception, and VGG-16. Results obtained exceed state-of-the-art.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google