Investigation of Parallel and Scalable Deep Learning Models for Detecting COVID-19 from Chest X-ray Images

Abstract

The preferred detection method of COVID-19 is RT-PCR, which is expensive, time-consuming, and requires trained healthcare professionals to conduct the tests. Research on COVID-19 suggests unique characteristics present in chest radiography images, suggesting chest x-rays (CXRs) might effectively diagnose COVID-19. Machine learning is well established in image classification tasks and can be used in medical imaging like CXR images. COVIDx is a dataset generated by the COVID-Net team and created by combining a few open-source data repositories containing CXR images. COVID-Net is a neural network that was pre-trained on the ImageNet dataset before being trained on the COVIDx dataset using Deep Learning methods, a sub-discipline of Machine Learning, but not taking advantage of cutting-edge High-Performance Computing (HPC) methods. The thesis aims to understand whether the open-source COVID-19 deep learning network is usable in practice by healthcare providers and practitioners. It investigates the accuracy and data analysis results demonstrated in the original COVID-Net publication and highlights speed-ups when using HPC approaches for inference. Furthermore, it studies whether the original COVID-Net deep learning architecture generalises well to new datasets provided by healthcare providers. Moreover, it explores the effects of data fusion, i.e. combining the original COVIDx dataset with new datasets from healthcare providers, when training the original COVID-Net architecture. Our results indicate that significant speed-ups can be achieved using cutting-edge HPC methods but that COVID-Net for clinical practice still requires deeper investigations into the data and the COVID-Net architecture.

Ákjósanlegasta greiningaraðferðin fyrir COVID-19 er RT-PCR, sem er dýr, tímafrek og krefst þess að þjálfað heilbrigðisstarfsfólk framkvæmi prófin. Rannsóknir á COVID-19 benda til sérstakra eiginleika sem koma fram á röntgenmyndum af brjóstholi (CXR), sem bendir til þess að röntgenmyndir af brjóstholi geti greint COVID-19 á árangursríkan hátt. Tölvunám er vel þekkt í myndflokkunarverkefnum og er hægt að nota það í læknisfræðilegri myndgreiningu eins og CXR-myndir. COVIDx er gagnasafn sem COVID-Net hópurinn safnaði saman og er búið til með því að sameina nokkur opin gagnasöfn sem innihalda röntgenmyndir af brjóstholi. COVID-Net er tauganet sem var forþjálfað á ImageNet-gagnasafninu áður en það var þjálfað á COVIDx-gagnasafninu með djúpnámi, sem er undirgrein vélnáms, en notar ekki ofurtölvur (HPC). Markmið ritgerðarinnar er að skilja hvort opni hugbúnaðurinn, COVID-19 djúpnámsnetið, sé í raun nothæft af heilbrigðisstarfsfólki og fagaðilum. Það rannsakar nákvæmni og niðurstöður gagnagreiningar sem sýndar voru í upprunalegu útgáfunni af COVID-Net líkaninu og leggur áherslu á hraða þegar ofurtölvuaðferðir eru notaðar til að draga ályktanir. Enn fremur rannsakar hún hvort upprunaleg högun djúpnáms á vegum COVID-Net líkansins virki almennt vel fyrir ný gagnasöfn frá heilbrigðisstofnunum. Loks er kannað hvaða áhrif samruni gagna hefur, þ.e. að sameina upprunalega COVIDx-gagnasafnið og ný gagnasöfn frá heilbrigðisstofnunum, þegar upprunalega COVID-Net líkanið er þjálfað. Niðurstöður okkar benda til þess að hægt sé að ná verulegum hraða með því að nota ofurtölvuaðferðir, en að COVID-Net fyrir klínískar aðferðir krefjist ennþá meiri rannsókna á gögnunum og COVID-Net líkaninu.