[論文レビュー] Comparative performance analysis of the ResNet backbones of Mask RCNN to segment the signs of COVID-19 in chest CT scans

Muhammad Aleem, Rahul Raj+1 more|arXiv (Cornell University)|Aug 21, 2020

COVID-19 diagnosis using AI参考文献 12被引用数 7

ひとこと要約

本研究では、胸部CTスキャンにおけるCOVID-19肺異常のセグメンテーションに、ResNet50およびResNet101バックボーンを搭載したMask R-CNNを評価し、ResNet101バックボーンを用いてF1スコア0.85を達成し、平均推論時間は9.04秒であった。モデルは疾患の重症度を「軽症」と「深刻」に分類し、Google Cloud Platformにデプロイされてリアルタイムの臨床利用が可能である。

ABSTRACT

COVID-19 has been detrimental in terms of the number of fatalities and rising number of critical patients across the world. According to the UNDP (United National Development Programme) Socio-Economic programme, aimed at the COVID-19 crisis, the pandemic is far more than a health crisis: it is affecting societies and economies at their core. There has been greater developments recently in the chest X-ray-based imaging technique as part of the COVID-19 diagnosis especially using Convolution Neural Networks (CNN) for recognising and classifying images. However, given the limitation of supervised labelled imaging data, the classification and predictive risk modelling of medical diagnosis tend to compromise. This paper aims to identify and monitor the effects of COVID-19 on the human lungs by employing Deep Neural Networks on axial CT (Chest Computed Tomography) scan of lungs. We have adopted Mask RCNN, with ResNet50 and ResNet101 as its backbone, to segment the regions, affected by COVID-19 coronavirus. Using the regions of human lungs, where symptoms have manifested, the model classifies condition of the patient as either "Mild" or "Alarming". Moreover, the model is deployed on the Google Cloud Platform (GCP) to simulate the online usage of the model for performance evaluation and accuracy improvement. The ResNet101 backbone model produces an F1 score of 0.85 and faster prediction scores with an average time of 9.04 seconds per inference.

研究の動機と目的

• 胸部CTスキャンを用いたCOVID-19の早期発見および重症度分類のためのAIベースのツールの開発を目的とする。
• Mask R-CNN内でのResNet50およびResNet101バックボーンの性能を比較し、COVID-19関連肺異常のセグメンテーションを実施する。
• リアルタイムの臨床推論およびトリアージ支援を可能にするために、Google Cloud Platformに機能的なプロトタイプをデプロイする。
• 限られたラベル付き医療画像データの課題に対処するため、正確なセグメンテーションおよび分類を実現するためのディープラーニングの活用を目的とする。
• 遠隔地やリソースが限られた地域の医療提供者を支援するため、迅速なAI支援診断を可能にする。

提案手法

• Axial胸部CTスキャンにおける関心領域の検出およびセグメンテーションに、特徴抽出器としてResNet50およびResNet101を用いたMask R-CNNが使用された。
• モデルは、COVID-19に影響を受ける肺領域のバウンディングボックスおよびセグメンテーションマスクを出力し、重症度を「軽症」と「深刻」に分類する。
• 推論処理は、RESTful APIおよびFlaskバックエンドを備えたカスタム開発のSaaSアプリケーションを用いてGoogle Cloud Platform (GCP) で実行された。
• ReactベースのフロントエンドとMaterial UIを用いることで、医療従事者が患者記録にアクセスし、予測結果を確認し、リアルタイムダッシュボードを通じて疾患の進行状況を監視できるようになった。
• 患者データおよびCTスキャンは、Google Cloud Storageに暗号化された形で保存され、JSON Web Tokens (JWT) を用いたロールベースのアクセス制御が実装された。
• GCP上での自動リソーススケーリングおよびロードバランシングを活用し、セキュアでスケーラブルかつリアルタイムの推論を実現するシステムが構築された。

実験結果

リサーチクエスチョン

• RQ1 Mask R-CNNを用いた胸部CTスキャンにおけるCOVID-19肺異常のセグメンテーションにおいて、ResNet50とResNet101バックボーンの性能はどのように比較されるか？
• RQ2 提案されたモデルの推論速度および軽症対深刻なCOVID-19症例の分類精度は何か？
• RQ3 クラウドデプロイされたAIシステムは、医療現場におけるリアルタイムのトリアージおよび疾患進行状況のモニタリングを効果的に支援できるか？
• RQ4 F1スコアおよび推論時間の観点から、異なるバックボーンアーキテクチャにおけるモデルのパフォーマンスはどのように変化するか？
• RQ5 反復的な医療従事者のフィードバックは、ROI検出の精緻化およびモデルの汎化性能向上にどのような役割を果たすか？

主な発見

• ResNet101バックボーンは、COVID-19関連肺異常のセグメンテーションにおいて、F1スコア0.85を達成し、ResNet50を上回った。
• ResNet101モデルは、1枚あたり平均9.04秒の高速な推論を示した。
• Google Cloud Platformに正常にデプロイされたシステムは、リアルタイム推論、セキュアなデータ取り扱い、ロールベースのアクセス制御をサポートした。
• 患者のCTスキャンおよび推論結果は、承認されたアクセスに適した一意の暗号化URLを介してGoogle Cloud Storageに安全に保存された。
• ダッシュボードにより、医療従事者はリアルタイムの分析グラフを通じて疾患の進行状況を監視でき、患者記録の管理を効率的に行った。
• 本モデルは、トリアージ支援および診断遅延の低減を目的とした、リソースが限られた環境への展開の可能性を示している。