[論文レビュー] A Survey of Deep Learning Techniques for the Analysis of COVID-19 and their usability for Detecting Omicron

Asifullah Khan, Saddam Hussain Khan+4 more|arXiv (Cornell University)|Feb 13, 2022

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

本サーベイは、X線およびCT画像を用いたCOVID-19診断に用いられる深層学習（DL）技術を体系的に分類し、分類、セグメンテーション、マルチステージ手法の3つに整理している。事前学習済みおよびカスタムCNNアーキテクチャの評価を行い、相互運用性やモodalitiy差異の課題を強調するとともに、性能指標についても議論し、オミクロン株のような新株種に対応可能なDLツールの開発の基盤を提供する。

ABSTRACT

The Coronavirus (COVID-19) outbreak in December 2019 has become an ongoing threat to humans worldwide, creating a health crisis that infected millions of lives, as well as devastating the global economy. Deep learning (DL) techniques have proved helpful in analysis and delineation of infectious regions in radiological images in a timely manner. This paper makes an in-depth survey of DL techniques and draws a taxonomy based on diagnostic strategies and learning approaches. DL techniques are systematically categorized into classification, segmentation, and multi-stage approaches for COVID-19 diagnosis at image and region level analysis. Each category includes pre-trained and custom-made Convolutional Neural Network architectures for detecting COVID-19 infection in radiographic imaging modalities; X-Ray, and Computer Tomography (CT). Furthermore, a discussion is made on challenges in developing diagnostic techniques such as cross-platform interoperability and examining imaging modality. Similarly, a review of the various methodologies and performance measures used in these techniques is also presented. This survey provides an insight into the promising areas of research in DL for analyzing radiographic images, and further accelerates the research in designing customized DL based diagnostic tools for effectively dealing with new variants of COVID-19 and emerging challenges.

研究の動機と目的

• 診断戦略および学習アプローチの観点から、COVID-19画像解析に用いられる深層学習技術の包括的な分類体系を提供すること。
• レントゲン画像におけるCOVID-19感染の分類およびセグメンテーションにおいて、事前学習済みおよびカスタム畳み込みニューラルネットワーク（CNN）の性能と限界を評価すること。
• DLモデルの展開に影響を及ぼす、クロスプラットフォーム間の相互運用性および画像モダリティのばらつきに関する主な課題を特定すること。
• 既存のDLベースのCOVID-19診断システムで用いられている手法論および性能指標を分析すること。
• 現在のDL技術が、特にオミクロン株を含む新しいSARS-CoV-2変異株に対応できる可能性を評価すること。

提案手法

• DL技術を、画像レベルおよび領域レベルの解析を目的とした3つの主要な診断戦略に分類する：分類、セグメンテーション、マルチステージ手法。
• X線およびCTスキャンにおけるCOVID-19の検出を目的として設計された、事前学習モデル（例：ResNet、DenseNet）およびカスタムCNNアーキテクチャの両方をレビューする。
• データ拡張、トランスファーラーニング、ファインチューニングが、多様な画像データセットにおけるモデルの汎化性能および性能に与える影響を分析する。
• 研究間で比較可能な性能指標（例：正解率、AUC-ROC、感度、特異度）を用いて、診断の信頼性を評価する。
• データセットの多様性、標準化の欠如、医用画像におけるモデルの解釈可能性といった技術的および臨床的課題について議論する。
• 肺病変の形態的差異を分析することで、既存のDLモデルがオミクロン株のような新株種を検出できるかの妥当性を評価する。

実験結果

リサーチクエスチョン

• RQ1 X線およびCTスキャンからCOVID-19を分類・セグメンテーションする際、異なる深層学習アーキテクチャの性能はどのように異なるか？
• RQ2 異なる画像プラットフォームおよびモダリティ間でのDLモデルの展開において、主な課題は何か？
• RQ3 既存のDLモデルが、オミクロンのような新しいSARS-CoV-2変異株を検出できる程度はどの程度か？
• RQ4 AUC-ROCや感度といった性能指標は、研究間でどのように変動し、その変動に影響を与える要因は何か？
• RQ5 データ標準化、モデルの汎化、臨床的有用性の面で、実用的展開を阻害する主なギャップは何か？

主な発見

• DenseNet や ResNet などの事前学習済みCNNは、X線およびCT画像からのCOVID-19分類において、しばしば90％以上の高い診断正確性を達成している。
• セグメンテーションベースの手法は、特にマルチクラスおよびマルチラベル設定において、感染部位の局在化を向上させている。
• 検出と分類を組み合わせたマルチステージDLパイプラインは、注目領域の最適化を活用することで、性能の向上を実現している。
• 研究間での性能指標の顕著なばらつきは、データセットのサイズ、品質、前処理手法の違いに起因している。
• クロスプラットフォーム間の相互運用性およびモダリティ固有の差異（例：X線対CT）は、依然としてモデルの汎化および臨床的採用を制限する主要な課題のままである。
• 本サーベイは、オミクロン株のような新株種へのモデル適応を可能にするために、標準化されたデータセットおよびベンチマークプロトコルの整備が不可欠であると特定している。