[論文レビュー] 3D Tomographic Pattern Synthesis for Enhancing the Quantification of COVID-19

Siqi Liu, Bogdan Georgescu+11 more|arXiv (Cornell University)|May 5, 2020

COVID-19 diagnosis using AI参考文献 49被引用数 20

ひとこと要約

本稿では、限られた実際のCOVID-19 CTデータを補完するための3次元GANベースのトモグラフィックパターン合成フレームワークを提案する。この手法により、肺および病変のセグメンテーション性能が向上し、病変包含率が6.02%向上し、透明度割合（PO）の計算におけるピアソン相関係数が2.82%向上した。

ABSTRACT

The Coronavirus Disease (COVID-19) has affected 1.8 million people and resulted in more than 110,000 deaths as of April 12, 2020. Several studies have shown that tomographic patterns seen on chest Computed Tomography (CT), such as ground-glass opacities, consolidations, and crazy paving pattern, are correlated with the disease severity and progression. CT imaging can thus emerge as an important modality for the management of COVID-19 patients. AI-based solutions can be used to support CT based quantitative reporting and make reading efficient and reproducible if quantitative biomarkers, such as the Percentage of Opacity (PO), can be automatically computed. However, COVID-19 has posed unique challenges to the development of AI, specifically concerning the availability of appropriate image data and annotations at scale. In this paper, we propose to use synthetic datasets to augment an existing COVID-19 database to tackle these challenges. We train a Generative Adversarial Network (GAN) to inpaint COVID-19 related tomographic patterns on chest CTs from patients without infectious diseases. Additionally, we leverage location priors derived from manually labeled COVID-19 chest CTs patients to generate appropriate abnormality distributions. Synthetic data are used to improve both lung segmentation and segmentation of COVID-19 patterns by adding 20% of synthetic data to the real COVID-19 training data. We collected 2143 chest CTs, containing 327 COVID-19 positive cases, acquired from 12 sites across 7 countries. By testing on 100 COVID-19 positive and 100 control cases, we show that synthetic data can help improve both lung segmentation (+6.02% lesion inclusion rate) and abnormality segmentation (+2.78% dice coefficient), leading to an overall more accurate PO computation (+2.82% Pearson coefficient).

研究の動機と目的

• ロバストなAIモデルの学習に適した、アノテーション済みで多様かつ代表的なCOVID-19 CT画像データの不足を是正する。
• パンデミックの新規性に起因するデータの多様性、一般化性能、アノテーションの拡張可能性の課題を克服する。
• 透明度割合（PO）や肺障害スコア（PHO）などの定量的CTバイオマーカーの正確性と再現性を向上させる。
• 3次元胸部CTにおけるCOVID-19異常の臨床的に関連する空間的・テクスチャ的パターンを保持する合成データ生成フレームワークを開発する。
• 合成データ増強が、読影者間のばらつきに近い水準にまで、肺および異常部位のセグメンテーション性能を向上させることを実証する。

提案手法

• 1つの異常部位ラベルを用いて、非感染CTスキャンに対してCOVID-19パターンの画像補填を実行する3次元条件付き生成対抗ネットワーク（cGAN）を訓練する。
• 手動でアノテートされたCOVID-19 CTから得られる位置情報プライアを統合し、合成異常部位の空間的分布をガイドする。
• 3次元形状生成アルゴリズムを用いて、グランドグラウンドエフェクト、実質化、クラッピー・パビングなどの一般的なパターンの空間的形状をモデル化する。
• 肺および病変セグメンテーションネットワークの両方において、実際のCOVID-19症例に20%の合成症例を追加することで、実データを増強する。
• 合成データを用いずに、および用いて、2次元および3次元U-Netベースのセグメンテーションモデルを微調整し、比較する。
• 病変包含率（LIR）、Dice類似係数（DSC）、POおよびPHOのピアソン相関係数（PCC）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 GANベースの3次元トモグラフィックパターン合成は、限られた実世界のCOVID-19 CTデータを効果的に補完し、セグメンテーション性能を向上させることができるか？
• RQ2 合成データは、COVID-19でよく影響を受ける周辺肺領域における異常領域の検出をどの程度向上させるか？
• RQ3 合成データの導入は、真値および読影者間ばらつきと比較して、透明度割合（PO）のような定量的バイオマーカーの正確性にどの程度影響を与えるか？
• RQ4 実際のアノテーションから得た位置情報プライアを用いることで、生成されたパターンの解剖学的妥当性と臨床的関連性が向上するか？
• RQ5 合成データ増強戦略により、病変セグメンテーションおよび定量的評価において、人間の読影者間のばらつきに匹敵する性能を達成できるか？

主な発見

• 20%の合成データを追加することで、肺セグメンテーションにおける病変包含率（LIR）が6.02%向上し、異常部位のカバー率が向上した。
• 合成データを用いた3次元セグメンテーションネットワークは、DSCが0.7064に達し、ベースライン（0.657）と比較して2.78%向上した。
• 合成データを用いた3次元モデルでは、透明度割合（PO）のピアソン相関係数（PCC）が0.933から0.961に上昇し、読影者間ばらつき（PCC = 0.957）に近づいた。
• 合成データを用いた3次元モデルでは、肺障害スコア（PHO）のPCCが0.9099から0.9387に向上し、真値との一致度が向上した。
• 合成データを用いた3次元モデルでは、PHOのDSCが0.9387に達し、読影者間ばらつきのDSC（0.7132 ± 0.1831）と同等の水準に達した。
• POの相関係数が2.82%向上したことは、合成データが定量的CTバイオマーカー計算の信頼性を向上させることを示している。