[論文レビュー] Automated detection and quantification of COVID-19 airspace disease on chest radiographs: A novel approach achieving radiologist-level performance using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based ground-truth

Eduardo Jose Mortani Barbosa, Warren B. Gefter+14 more|arXiv (Cornell University)|Aug 13, 2020

COVID-19 diagnosis using AI参考文献 28被引用数 5

ひとこと要約

本研究では、CTに基づく真値から得られたデジタル再構成レントゲン（DRR）を用いて訓練された畳み込みニューラルネットワーク（CNN）を用いた深層学習的手法を提示し、胸部レントゲン（CXR）におけるコロナウイルス病変関連肺疾患の検出および定量を実施した。この手法は放射線科医水準の正確性を達成し、予測された疾患負荷と真値の間で平均絶対誤差（MAE）が9.56–9.78%、相関係数が0.78–0.81を示した。

ABSTRACT

Purpose: To leverage volumetric quantification of airspace disease (AD) derived from a superior modality (CT) serving as ground truth, projected onto digitally reconstructed radiographs (DRRs) to: 1) train a convolutional neural network to quantify airspace disease on paired CXRs; and 2) compare the DRR-trained CNN to expert human readers in the CXR evaluation of patients with confirmed COVID-19. Materials and Methods: We retrospectively selected a cohort of 86 COVID-19 patients (with positive RT-PCR), from March-May 2020 at a tertiary hospital in the northeastern USA, who underwent chest CT and CXR within 48 hrs. The ground truth volumetric percentage of COVID-19 related AD (POv) was established by manual AD segmentation on CT. The resulting 3D masks were projected into 2D anterior-posterior digitally reconstructed radiographs (DRR) to compute area-based AD percentage (POa). A convolutional neural network (CNN) was trained with DRR images generated from a larger-scale CT dataset of COVID-19 and non-COVID-19 patients, automatically segmenting lungs, AD and quantifying POa on CXR. CNN POa results were compared to POa quantified on CXR by two expert readers and to the POv ground-truth, by computing correlations and mean absolute errors. Results: Bootstrap mean absolute error (MAE) and correlations between POa and POv were 11.98% [11.05%-12.47%] and 0.77 [0.70-0.82] for average of expert readers, and 9.56%-9.78% [8.83%-10.22%] and 0.78-0.81 [0.73-0.85] for the CNN, respectively. Conclusion: Our CNN trained with DRR using CT-derived airspace quantification achieved expert radiologist level of accuracy in the quantification of airspace disease on CXR, in patients with positive RT-PCR for COVID-19.

研究の動機と目的

• 深層学習を用いて、胸部レントゲン（CXR）におけるCOVID-19関連肺疾患（AD）の正確な定量を実現する手法を開発すること。
• 胸部CTにおける体積的ADセグメンテーションを真値として活用し、それを2次元のDRRに投影して学習に用いること。
• DRR画像を用いて、CXRにおける面積ベースのAD割合（POa）を予測する畳み込みニューラルネットワーク（CNN）を訓練すること。
• CNNの性能を、CXRにおけるADの検出および定量において専門放射線科医と比較すること。
• 標準的なCXRを用いて、確認済みのCOVID-19患者の疾患進行をモニタリングする臨床的実用性のある自動化ツールを確立すること。

提案手法

• 48時間以内にCTおよびCXRが撮影された86例の確認済みCOVID-19患者の後向きコhortを収集した。
• CTスキャンにおける肺疾患（AD）の手動3次元セグメンテーションを実施し、真値としての体積的割合（POv）を確立した。
• CTからの3次元ADマスクを2次元前後方向DRRに投影し、CXRの代替として面積ベースのAD割合（POa）を計算した。
• COVID-19および非COVID-19患者を含むより大きなCTデータセットから生成されたDRR画像を用いて、畳み込みニューラルネットワーク（CNN）を訓練した。
• CNNは、肺およびADの自動セグメンテーションを最適化し、CXRにおけるPOaを出力するように設計された。
• CNNの性能を、CT由来真値（POv）および2名の専門放射線科医が測定したPOaと比較することで評価した。

実験結果

リサーチクエスチョン

• RQ1 CT由来真値から得たDRRで訓練されたCNNは、CXRにおける肺疾患の正確な定量を達成できるか？
• RQ2 DRRで訓練されたCNNの性能は、CXRにおけるAD負荷を測定する専門放射線科医と比べてどの程度か？
• RQ3 CT由来の体積的セグメンテーションを真値として用いることで、CXRベースの疾患定量の正確性はどの程度向上するか？
• RQ4 DRR投影法は、CXRの外観を効果的に模倣しつつ、訓練に必要な疾患負荷情報の保持を可能にするか？
• RQ5 CNNの性能は、臨床的評価において放射線科医水準の正確性に十分に達していると見なせるか？

主な発見

• CNNは、予測されたPOaとCT由来真値（POv）の間でブートストラップ平均絶対誤差（MAE）が9.56–9.78%を示した。
• CNNは、予測POaとPOvの間に相関係数0.78–0.81を示し、真値と強い一致を示した。
• 2名の専門読取者の平均は、POvと比較してMAEが11.98% [11.05%–12.47%]、相関係数が0.77 [0.70–0.82]であった。
• CNNの性能は専門放射線科医と統計的に同等であり、MAEは低く、相関係数はわずかに高かった。
• DRRベースの学習アプローチにより、CNNはCT由来の投影画像で訓練されたにもかかわらず、実際のCXR画像への一般化を効果的に行った。
• 本手法は、高精度な体積的CTセグメンテーションを2次元CXRに効果的に転送し、自動的かつ正確な疾患定量を可能にした。