earticle

영어

Since the outbreak of Coronavirus Disease 2019(COVID-19), it has rapidly spread and significantly influenced on the global health. In order to prevent rapid spread as much as possible, we propose an end-to-end ensemble method to detect COVID-19 in chest X-ray images based on convolutional neural networks as a method for diagnosing COVID-19. First of all, to reduce the class imbalance problem, the dataset was composed of 442 normal images and 442 COVID-19 images based on the two public databases. The proposed model is made up of a feature extractor and a classifier. The feature extractor was designed as an ensemble structures by using DenseNet201, VGG19, ResNet50, Xception, and lnceptionV3. As a result, the proposed model improved classification performance compared to the single model. In conclusion, the End-to-End ensemble model confirmed that the proposed ensemble method is an useful method to improve the performance of the COVID- 19 diagnostic model. The model using the End-to-End ensemble learning method can be applied to the screening stage to help prevent the spread of infectious diseases.

한국어

코로나바이러스감염증-2019(Coronavirus Disease-2019, COVID-19)는 발생 직후부터 급속히 확산되어 현재까 지도 전 세계 보건에 중대한 영향을 미치고 있다. 이에 본 연구에서는 이 질병의 빠른 확산을 방지하기 위한 효율적 인 진단 방법으로 컨볼루션 신경망을 기반으로 흉부 X선 영상에서 COVID-19를 자동으로 검출하기 위한 End-to-End 앙상블 학습방법을 제안한다. 먼저 연구 데이터세트는 클래스 불균형 문제를 줄이기 위해 오픈소스 데이터베이스에 서 얻은 정상 및 COVID-19 영상을 각 442개로 구성하였다. 제안하는 모델은 크게 특징추출계층과 분류계층으로 구 성되는데, 특징추출계층에는 총 5가지의 CNN 모델(DenseNet201, VGG19, ResNet50, Xception, lnceptionV3)을 이용 하여 앙상블 구조로 설계하였다. 그 결과 제안된 앙상블 모델이 단일 모델에 비해 분류 성능이 향상됨을 확인하였다. 결론적으로 End-to-End 앙상블 모델은 COVID-19 진단 모델의 성능을 향상시킬 수 있는 유용한 모델임을 확인하였 다. 따라서 End-to-End 앙상블 학습방법을 사용한 모델은 초기 스크리닝 과정에서 적용하여 감염병의 확산을 효과적 으로 예방할 수 있는 도구로써 활용될 수 있을 것으로 기대된다.