[論文レビュー] Coronavirus Detection and Analysis on Chest CT with Deep Learning

Ophir Gozes, Maayan Frid-Adar+4 more|arXiv (Cornell University)|Apr 6, 2020

COVID-19 diagnosis using AI参考文献 7被引用数 104

ひとこと要約

この論文は、2Dスライス分類、Grad-CAMベースの局在化、そしてケースごとの重症度推定のコロナスコアを用いて、胸部CTにおけるCOVID-19の病変を検出、局在化、定量化する深層学習パイプラインを提示し、中国データセットで評価している。

ABSTRACT

The outbreak of the novel coronavirus, officially declared a global pandemic, has a severe impact on our daily lives. As of this writing there are approximately 197,188 confirmed cases of which 80,881 are in "Mainland China" with 7,949 deaths, a mortality rate of 3.4%. In order to support radiologists in this overwhelming challenge, we develop a deep learning based algorithm that can detect, localize and quantify severity of COVID-19 manifestation from chest CT scans. The algorithm is comprised of a pipeline of image processing algorithms which includes lung segmentation, 2D slice classification and fine grain localization. In order to further understand the manifestations of the disease, we perform unsupervised clustering of abnormal slices. We present our results on a dataset comprised of 110 confirmed COVID-19 patients from Zhejiang province, China.

研究の動機と目的

• 胸部CTスキャンにおけるCOVID-19特徴を検出する軽量で弱教師ありの深層学習システムを開発する。
• 異常な肺組織を局在化し、定量的な疾患重症度スコアを提供する。
• スライスレベルの結果を統合して3D局在マップと corona score を作成し、ケース単位の分析を可能にする。
• 異常スライスと正常スライスの非監視クラスタリングを通じて疾患パターンを探る。
• 利用可能なデータセットを使用してスライスレベル、ケースレベルの検出と重症度推定を検証する。

提案手法

• ImageNetで事前学習済みエンコーダを用いたU-Netによる肺領域の局在化とROI抽出。
• ImageNetで事前学習済みの2D ResNet-50分類器を用いて肺ROIsを正常 vs 異常（COVID-19）としてラベル付け。
• マルチスケールGrad-CAMで高精細な局在化マップを作成し、融合して3D corona scoreを生成。
• スライス間で閾値を超える局在化活性化を合計して体積的な疾病広がりの指標を作成。
• Grad-CAM重み付き特徴空間での非監督クラスタリング（k-means）により疾患表現を探索。
• COVID-19確定症例の有り・無しを含む開発・検証コホートを含むデータセットで評価。

実験結果

リサーチクエスチョン

• RQ1 高いAUC、感度、特異度を持つ2Dスライスベースの分類器が胸部CTでCOVID-19病変を検出できるか？
• RQ2 マルチスケールGrad-CAMの局在化は放射線科医を支援する正確な細粒度局在化を提供できるか？
• RQ3 体積的corona scoreはケースレベルの疾患有病と放射線科医の重症度等級と相関するか？
• RQ4 Grad-CAM重み付き特徴から疾患表現（正常、局所的、びまん性）に関する非教師付き構造はどのようなものが現れるか？

主な発見

• スライスレベルのCOVID-19検出はAUC0.994、感度94%、特異度98%を達成（閾値0.5）。
• Corona scoreはCOVID-19と非COVID-19症例を識別する際AUC0.948 (95% CI: 0.912-0.985)を示した。
• 重症と非重症ケースでCorona scoreの分布が異なる（中央値: 61.5 cm3 vs 227.5 cm3; p = 0.0064）。
• 3D局在化マップは放射線科医を支援するケース毎の疾患広がりの視覚化を提供する。
• 非監督型クラスタリングはNormal、Focal、Diffuse表現に対応する明確なグループを明らかにした。
• このアプローチは弱いスライスレベルの注釈とGrad-CAMガイダンスを用いて疾患パターンを学習する。