[論文レビュー] Automatic Diagnosis of COVID-19 from CT Images using CycleGAN and Transfer Learning

Navid Ghassemi, Afshin Shoeibi+6 more|arXiv (Cornell University)|Apr 24, 2021

COVID-19 diagnosis using AI被引用数 16

ひとこと要約

本論文は、CycleGANを用いたデータ拡張とトランスファー学習を組み合わせた深層学習フレームワークを提案し、CT画像からの自動COVID-19診断を実現し、99.60%の正確性を達成した。本研究では、189名の患者から得られた3,163枚のラベル付きCT画像を含む新しい公開データセットを構築した。正常スキャンは、他の疾患によるものではなく、COVID-19を疑われる患者から収集されており、臨床的妥当性と一般化性能を向上させた。

ABSTRACT

The outbreak of the corona virus disease (COVID-19) has changed the lives of most people on Earth. Given the high prevalence of this disease, its correct diagnosis in order to quarantine patients is of the utmost importance in steps of fighting this pandemic. Among the various modalities used for diagnosis, medical imaging, especially computed tomography (CT) imaging, has been the focus of many previous studies due to its accuracy and availability. In addition, automation of diagnostic methods can be of great help to physicians. In this paper, a method based on pre-trained deep neural networks is presented, which, by taking advantage of a cyclic generative adversarial net (CycleGAN) model for data augmentation, has reached state-of-the-art performance for the task at hand, i.e., 99.60% accuracy. Also, in order to evaluate the method, a dataset containing 3163 images from 189 patients has been collected and labeled by physicians. Unlike prior datasets, normal data have been collected from people suspected of having COVID-19 disease and not from data from other diseases, and this database is made available publicly.

研究の動機と目的

• CT画像を用いた自動的で高精度なCOVID-19診断システムの開発により、医師の負担軽減と診断ミスの低減を図ること。
• COVID-19 CT画像におけるデータ不足問題に対処するため、効果的なデータ拡張としてCycleGANを活用すること。
• DenseNet、ResNet、Vision Transformer (ViT) を含む複数の事前学習済み深層ニューラルネットワークの性能を、新たに収集・公開されたデータセット上で評価すること。
• 正常CTスキャンを、他の肺疾患を有する患者からではなく、COVID-19を疑われる患者から収集することで、モデルの一般化性能を向上させること。

提案手法

• 3名の専門放射線科医が、189名の患者から得られた3,163枚の臨床的CTスキャン画像を収集・ラベル付けし、分析に適した情報豊富なスライスを選定した。
• 画像前処理として、ノイズ低減と画像品質向上のためのガウスフィルタリングを実施した。
• 訓練データの拡張のために、非教師ありドメイン変換としてCycleGANを採用し、COVID-19および正常クラスの両方のリアルな合成CT画像を生成した。
• DenseNet、ResNet、Vision Transformer (ViT) を含む複数の事前学習済み深層ニューラルネットワークを、拡張済みデータセット上でトランスファー学習を用いて微調整した。
• CycleGANによるデータ拡張は、特にデータが少ない状況下において、モデルの一般化性能とロバスト性を向上させた。
• Vision Transformer (ViT) が最も優れた性能を示し、本タスクにおける有効性を実証した。

実験結果

リサーチクエスチョン

• RQ1 CycleGANを用いたデータ拡張は、限られたCTスキャンデータからのCOVID-19診断における深層学習モデルの性能を顕著に向上させることができるか？
• RQ2 DenseNet や ViT を含む、異なる事前学習済み深層ニューラルネットワークは、新たに収集・公開されたCTデータセット上でCOVID-19診断にどの程度の性能を示すか？
• RQ3 他の肺疾患を有する患者からではなく、COVID-19を疑われる患者からの正常CTスキャンを用いることで、診断モデルの臨床的妥当性と一般化性能が向上するか？
• RQ4 事前学習モデルを用いたトランスファー学習と、CycleGANによるデータ拡張を組み合わせることで、診断精度はどの程度向上するか？
• RQ5 Vision Transformerを用いたモデルは、従来のCNNと比較して、CT画像からのCOVID-19分類において最先端の性能を達成できるか？

主な発見

• 提案手法は、CT画像からのCOVID-19検出というタスクにおいて、99.60%の診断正確性を達成し、本分野における最先端の性能を示した。
• Vision Transformer (ViT) は、ResNet や DenseNet と比較して優れた性能を示し、本データセット上で最高の正確性99.60%を達成した。
• CycleGANを用いたデータ拡張は、評価されたすべての深層ニューラルネットワークにおいて、モデルの一般化性能と性能を顕著に向上させた。
• 新たに収集されたデータセット（COVID-19画像1,766枚、正常画像1,397枚）は公開された。正常スキャンは、他の疾患によるものではなく、COVID-19を疑われる患者から得られた。
• 関連疾患とは無関係な病理所見を有する患者からではなく、COVID-19を疑われる患者からの臨床的データを用いることで、データセットの臨床的妥当性が向上し、モデル導入時のドメインシフトが低減された。
• 本研究は、ViTがCOVID-19 CT診断の文脈において、医療画像分類に非常に効果的であることを示した。この性能水準は、本分野では以前に報告されていなかった。