[論文レビュー] AI-MIA: COVID-19 Detection & Severity Analysis through Medical Imaging

Dimitrios Kollias, Αναστάσιος Αρσένος+1 more|Lincoln Repository (University of Lincoln)|Jun 9, 2022

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本論文は、約7,700スキャンからなる新規の大規模3D CTスキャンデータベース（COV19-CT-DB）を用いて、COVID-19の検出および重症度分類のためのCNN-RNNディープラーニングベースラインを提示する。モデルは、特徴抽出のためのResNet50と、時間的依存性をモデル化するためのGRUを用い、検出タスクで0.77のマクロF1、重症度分類タスクで0.63のマクロF1を達成し、今後のAIを用いたCOVID-19関連医療画像研究のベンチマークを確立した。

ABSTRACT

This paper presents the baseline approach for the organized 2nd Covid-19 Competition, occurring in the framework of the AIMIA Workshop in the European Conference on Computer Vision (ECCV 2022). It presents the COV19-CT-DB database which is annotated for COVID-19 detction, consisting of about 7,700 3-D CT scans. Part of the database consisting of Covid-19 cases is further annotated in terms of four Covid-19 severity conditions. We have split the database and the latter part of it in training, validation and test datasets. The former two datasets are used for training and validation of machine learning models, while the latter will be used for evaluation of the developed models. The baseline approach consists of a deep learning approach, based on a CNN-RNN network and report its performance on the COVID19-CT-DB database.

研究の動機と目的

• 3D胸部CTスキャンからのCOVID-19の自動検出のための堅牢なディープラーニングベースラインの開発。
• 新たに整備された大規模なCTスキャンデータベースを用いて、COVID-19症例の重症度分類を可能にする。
• 検出および重症度グレーディングの両方のタスクに対して専門家によるアノテーションが付与された標準化されたベンチマークデータセット（COV19-CT-DB）の提供。
• 臨床的文脈において、マルチラベル・マルチインスタンス医療画像分類タスクにCNN-RNNアーキテクチャの性能を評価すること。
• パンデミック対応における放射線診断支援のための解釈可能で汎用性の高いAIモデルの開発を支援すること。

提案手法

• 3D CTスキャンは、2次元の軸方向スライスの系列として処理され、各スライスはホンズフィールド単位のクリッピング（窓/レベル：350/−1150 HU）後に224×224×3にリサイズされ、[0,1]に正規化される。
• 各2次元スライスからの空間的特徴抽出のため、ResNet50をCNNバックボーンとして用い、その後にグローバル平均プーリング、バッチ正規化、ドロップアウト（保持確率0.8）を適用する。
• 1方向性のGRU（128ユニット）を用いて、すべてのスライスにわたるCNNで学習された特徴の系列を処理し、3Dボリューム内の時間的依存性をモデル化する。
• COVID-19対非COVID-19診断のためのクラス確率を出力する2ユニットの出力層に、ソフトマックス活性化関数を適用する。
• 「少なくとも1つ」の投票方式を適用：任意のスライスがCOVID-19と予測された場合、全スキャンが陽性と分類される。
• Tesla V100 GPUを用いて、ベース学習率10⁻⁴、バッチサイズ5、Adam最適化子、およびバイナリクロスエントロピー損失を用いてモデルを学習する。

実験結果

リサーチクエスチョン

• RQ1 CNN-RNNアーキテクチャは、スライスレベルのアノテーションがなく、全スキャンラベルのみを用いても、3D胸部CTスキャンのCOVID-19有無を効果的に分類できるか？
• RQ2 本モデルの汎用性は、未観測のCTスキャンにおける検出精度および重症度分類の観点でどの程度高いか？
• RQ3 専門家がアノテートした重症度レベルを有する大規模かつマルチセンター・マルチスキャナーの3D CTデータベースを用いることで、どの程度の性能が達成可能か？
• RQ4 RNNによるスライスの系列モデリングは、標準的な2Dまたは3D CNNと比較して、診断性能をどの程度向上させるか？
• RQ5 マルチインスタンス学習の文脈において、異なる投票戦略（例：少なくとも1つ vs. 多数決）が最終分類結果に与える影響はどの程度か？

主な発見

• ベースラインのCNN-RNNモデルは、検出タスクにおいてバリデーションセットで0.77のマクロF1スコアを達成し、CTスキャンの二値分類において優れた性能を示した。
• より複雑な重症度分類タスクでは、マクロF1スコアが0.63に達したが、これは多クラス重症度予測の可能性を示した一方で、さらなる改善の余地があることを示している。
• データセットCOV19-CT-DBには約7,700件の3D CTスキャンが含まれており、検出タスクでは訓練セットに258件、バリデーションセットに61件が含まれ、重症度分類タスクでも同様の分割がなされている。
• 「少なくとも1つ」の投票方式に依存することで、わずか1枚の懸念されるスライスでも陽性診断を引き起こすことが保証され、臨床的感度の優先順位と整合している。
• ResNet50を特徴抽出器として用い、GRUを用いた系列モデリングを組み合わせることで、スライスレベルのアノテーションがなくても、3Dの文脈理解を効果的に行えるようになった。
• 本研究は、特にパンデミック対応の文脈において、感染性肺疾患のAI駆動医療画像研究の再現可能なベースラインを確立した。