[論文レビュー] COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network

Shakib Yazdani, Shervin Minaee+3 more|arXiv (Cornell University)|Sep 10, 2020

COVID-19 diagnosis using AI参考文献 21被引用数 42

ひとこと要約

この論文は、COVID-19を胸部CT画像から分類するための注意機構付き残差畳み込みネットワークを紹介し、注意マップは感染領域を強調し、公開された注釈付き感染領域を提供します。

ABSTRACT

The novel corona-virus disease (COVID-19) pandemic has caused a major outbreak in more than 200 countries around the world, leading to a severe impact on the health and life of many people globally. As of Aug 25th of 2020, more than 20 million people are infected, and more than 800,000 death are reported. Computed Tomography (CT) images can be used as a as an alternative to the time-consuming "reverse transcription polymerase chain reaction (RT-PCR)" test, to detect COVID-19. In this work we developed a deep learning framework to predict COVID-19 from CT images. We propose to use an attentional convolution network, which can focus on the infected areas of chest, enabling it to perform a more accurate prediction. We trained our model on a dataset of more than 2000 CT images, and report its performance in terms of various popular metrics, such as sensitivity, specificity, area under the curve, and also precision-recall curve, and achieve very promising results. We also provide a visualization of the attention maps of the model for several test images, and show that our model is attending to the infected regions as intended. In addition to developing a machine learning modeling framework, we also provide the manual annotation of the potentionally infected regions of chest, with the help of a board-certified radiologist, and make that publicly available for other researchers.

研究の動機と目的

• RT-PCRが時間を要するまたは結論が不確かな場合に、胸部CTを用いた迅速なCOVID-19診断を動機づける。
• 感染した肺領域に焦点を当てた注意付き畳み込みフレームワークを開発し、予測を改善する。
• 注意ビジュアル化とベースラインとの比較を含む定性的および定量的分析を提供する。
• 研究を支援するために手動で注釈付けされた感染領域を提供する。

提案手法

• 注意モジュールが幹部とソフトマスク枝を結合して感染領域を強調する、残差注意ネットワークを採用する。
• 残差注意フレームワーク内で単一のResNet-56ベースの注意モジュールユニットを使用する（パラメータ p=1, t=2, r=1）。
• 公衆の SARS-CoV-2 CTスキャンデータセットで訓練し、データを拡張して訓練サンプルを4倍に増やす。
• 感度、特異度、ROC（AUC）、および精度再現分析で評価し、Grad-CAMおよびGrad-CAM++を用いて注意を可視化する。
• 放射線科医の入力で感染領域を注釈付けし、これらの注釈を公開する。

実験結果

リサーチクエスチョン

• RQ1 注意機構付き畳み込みネットワークは、ベースラインと比較して胸部CT画像からのCOVID-19予測精度を改善できるか？
• RQ2 モデルの注意マップは肺の放射線科医が同定した感染領域に対応しているか？
• RQ3 データ拡張とハイパーパラメータの選択が予測性能に与える影響は何か？
• RQ4 この手法は臨床解釈を助けるための信頼できる感染領域の視覚化を提供できるか？

主な発見

• モデルは、複数の最適化手法でCOVID対非COVIDタスクにおいて競争力のある精度を達成し（例えば、lr 0.001 の Adam は 0.907±0.001 の精度を与える）。
• lr 0.01 で BCE 損失を用いると検証で 0.920±0.001 の精度を達成。
• 注意マップ（Grad-CAMおよび Grad-CAM++）は主に感染した肺領域を強調し、放射線科医の注釈と一致する。
• このアプローチは ROC および precision-recall 分析と、クラス間の分離を示す予測スコアのヒストグラムを提供する。
• データ拡張により訓練サンプルが4倍に増え、モデル性能を助けた。
• 研究は視覚的に解釈可能な注意マップを提供し、スライディングウィンドウ遮蔽法による潜在的感染領域のヒートマップを生成する。