[論文レビュー] Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks

Saddam Hussain Khan, Anabia Sohail+2 more|arXiv (Cornell University)|Sep 16, 2020

COVID-19 diagnosis using AI被引用数 7

ひとこと要約

本論文は、肺CT画像を用いたCOVID-19感染の分類およびセグメンテーションを目的とした二段階のディーブラーニングフレームワークを提案する。ウェーブレット強化特徴抽出、分類用にカスタム設計されたCNN（CoV-CTNet）、ハイブリッドプーリングおよびアテンションメカニズムを統合した新規セグメンテーションモデル（CoV-RASeg）を採用し、標準データセットでMCCが0.98、Diceスコアが0.95を達成した。

ABSTRACT

COVID-19 is a global health problem. Consequently, early detection and analysis of the infection patterns are crucial for controlling infection spread as well as devising a treatment plan. This work proposes a two-stage deep Convolutional Neural Networks (CNNs) based framework for delineation of COVID-19 infected regions in Lung CT images. In the first stage, initially, COVID-19 specific CT image features are enhanced using a two-level discrete wavelet transformation. These enhanced CT images are then classified using the proposed custom-made deep CoV-CTNet. In the second stage, the CT images classified as infectious images are provided to the segmentation models for the identification and analysis of COVID-19 infectious regions. In this regard, we propose a novel semantic segmentation model CoV-RASeg, which systematically uses average and max pooling operations in the encoder and decoder blocks. This systematic utilization of max and average pooling operations helps the proposed CoV-RASeg in simultaneously learning both the boundaries and region homogeneity. Moreover, the idea of attention is incorporated to deal with mildly infected regions. The proposed two-stage framework is evaluated on a standard Lung CT image dataset, and its performance is compared with the existing deep CNN models. The performance of the proposed CoV-CTNet is evaluated using Mathew Correlation Coefficient (MCC) measure (0.98) and that of proposed CoV-RASeg using Dice Similarity (DS) score (0.95). The promising results on an unseen test set suggest that the proposed framework has the potential to help the radiologists in the identification and analysis of COVID-19 infected regions.

研究の動機と目的

• 肺CTスキャンにおけるCOVID-19の早期検出および分析のための自動化システムの開発。
• ディープラーニングを用いたCT画像の感染・非感染分類の精度向上。
• 新規セグメンテーションモデルを用いた肺CT画像における感染領域の正確な輪郭抽出。
• アテンションメカニズムを用いて軽度に感染した領域の検出に課題を克服。
• 標準データセットを用いたフレームワークの妥当性評価および既存のディープCNNモデルとの性能比較。

提案手法

• 肺CT画像のCOVID-19特有の特徴を強化するため、二段階の離散ウェーブレット変換を適用。
• CT画像を感染あり・なしに二値分類するためのカスタムディープCNN（CoV-CTNet）を設計。
• エンコーダーおよびデコーダーの両ブロックに平均プーリングとマックスプーリングを統合した新規セマンティックセグメンテーションモデル（CoV-RASeg）を提案。
• CoV-RASegにアテンションメカニズムを統合し、軽度に感染した領域の検出を向上。
• 二段階パイプラインを採用：まずCoV-CTNetによる分類、次に陽性例に対するCoV-RASegによるセグメンテーション。
• マシューパラメータ（MCC）およびDice類似度（DS）を含む指標を用いて、標準肺CT画像データセット上でフレームワークを評価。

実験結果

リサーチクエスチョン

• RQ1 ウェーブレットベースの強化は、COVID-19検出に向けた肺CT画像の特徴の識別能を向上させるか？
• RQ2 提案されたCoV-CTNetは、肺CTスキャンをCOVID-19陽性または陰性に分類する際にどの程度有効か？
• RQ3 CoV-RASegモデルは、境界の詳細性と領域の一様性を保持しながら、CTスキャンにおける感染領域を正確にセグメンテーションできるか？
• RQ4 アテンションメカニズムの統合は、しばしばセグメンテーションが困難な軽度に感染した領域の検出をどの程度向上させるか？
• RQ5 提案された二段階フレームワークは、既存のディープCNNモデルと比較して、分類およびセグメンテーションの性能で優れているか？

主な発見

• 提案されたCoV-CTNetはテストセットでマシューパラメータ（MCC）0.98を達成し、強力な分類性能を示した。
• CoV-RASegセグメンテーションモデルはDice類似度（DS）スコア0.95を達成し、感染領域の特定において高い正確性を示した。
• CoV-RASegにおける平均プーリングとマックスプーリングの統合により、セグメンテーションにおける境界検出と領域一様性の両方が向上した。
• アテンションメカニズムの統合により、しばしばセグメンテーションが困難な軽度に感染した領域の検出能力が顕著に向上した。
• 二段階フレームワークは、標準データセット上で既存のディープCNNモデルと比較して、分類およびセグメンテーションの両タスクで優れた性能を示した。
• 結果から、本フレームワークは放射線科医の臨床的診断およびCOVID-19感染の解析支援において強い潜在的価値を有することが示唆された。