[論文レビュー] Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images

Anas Tahir, Yazan Qiblawey+7 more|arXiv (Cornell University)|May 23, 2020

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

本論文は、肺領域のセグメンテーション（U-Netを用いて）とその後続の分類（事前学習済みCNNを用いて）という二段階的手法を用いて、CXR画像からCOVID-19、MERS、SARSを分類するためのディープラーニングフレームワークを提案している。この手法は、COVID-19の検出において最大99.5％の感受性を達成しており、臨床的診断が困難な状況下でも、AIがこれらのコロナウイルス感染症に特徴的なレントゲン画像所見を信頼性高く同定できることを示している。

ABSTRACT

Novel Coronavirus disease (COVID-19) is an extremely contagious and quickly spreading Coronavirus infestation. Severe Acute Respiratory Syndrome (SARS) and Middle East Respiratory Syndrome (MERS), which outbreak in 2002 and 2011, and the current COVID-19 pandemic are all from the same family of coronavirus. This work aims to classify COVID-19, SARS, and MERS chest X-ray (CXR) images using deep Convolutional Neural Networks (CNNs). A unique database was created, so-called QU-COVID-family, consisting of 423 COVID-19, 144 MERS, and 134 SARS CXR images. Besides, a robust COVID-19 recognition system was proposed to identify lung regions using a CNN segmentation model (U-Net), and then classify the segmented lung images as COVID-19, MERS, or SARS using a pre-trained CNN classifier. Furthermore, the Score-CAM visualization method was utilized to visualize classification output and understand the reasoning behind the decision of deep CNNs. Several Deep Learning classifiers were trained and tested; four outperforming algorithms were reported. Original and preprocessed images were used individually and all together as the input(s) to the networks. Two recognition schemes were considered: plain CXR classification and segmented CXR classification. For plain CXRs, it was observed that InceptionV3 outperforms other networks with a 3-channel scheme and achieves sensitivities of 99.5%, 93.1%, and 97% for classifying COVID-19, MERS, and SARS images, respectively. In contrast, for segmented CXRs, InceptionV3 outperformed using the original CXR dataset and achieved sensitivities of 96.94%, 79.68%, and 90.26% for classifying COVID-19, MERS, and SARS images, respectively. All networks showed high COVID-19 detection sensitivity (>96%) with the segmented lung images. This indicates the unique radiographic signature of COVID-19 cases in the eyes of AI, which is often a challenging task for medical doctors.

研究の動機と目的

• 胸部X線画像を用いて、COVID-19、MERS、SARSを区別する信頼性の高いディープラーニングシステムの開発を目的とする。
• 初期段階のコロナウイルス感染症における診断精度の低さに取り組むために、AIを活用し、微細なレントゲン画像所見を検出することを目的とする。
• 研究用に利用可能な新規の公開データセット（QU-COVID-family）を構築することを目的とし、423例のCOVID-19、144例のMERS、134例のSARSのX線画像を含む。
• マルチステージのディープラーニングパイプラインにおいて、フル画像とセグメンテッド肺領域入力を組み合わせることで分類性能を向上させることを目的とする。

提案手法

• 423例のCOVID-19、144例のMERS、134例のSARSの胸部X線画像を含む、独自に構築されたデータセット「QU-COVID-family」を構築した。
• X線画像から肺領域をセグメンテーションするために、U-Netに基づく畳み込みニューラルネットワークを用い、分類に適した注目領域を明確にした。
• 事前学習済みのInceptionV3および他のCNNアーキテクチャを、元の画像およびセグメンテーション済みX線画像の両方で微調整して分類に用いた。
• 2つの認識手法を評価した：通常のCXR分類とセグメンテーション済みCXR分類、両者とも3チャンネル入力表現を用いた。
• モデルの意思決定を解釈し、病変に関連する肺領域に注目しているかを検証するために、Score-CAM可視化を適用した。
• 異なる入力タイプおよびネットワークアーキテクチャを用いて複数のディープラーニングモデルを訓練・比較し、最良の性能を示す構成を同定した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、胸部X線画像のみを用いて、COVID-19、MERS、SARSを信頼性高く区別できるか？
• RQ2 X線画像から肺領域をセグメンテーションすることで、フル画像を用いた場合と比較して、コロナウイルス型の分類精度が向上するか？
• RQ3 提案されたQU-COVID-familyデータセットにおいて、これらの3つのコロナウイルス関連疾患を分類する際に、どの事前学習済みCNNアーキテクチャが最も優れた性能を示すか？
• RQ4 モデルは、特にCOVID-19に対して、それぞれのウイルスに特徴的なレントゲン画像所見をどの程度検出できるか？
• RQ5 ディープラーニングモデルの意思決定はどの程度解釈可能であり、臨床的に関連する肺領域に注目しているか？

主な発見

• 3チャンネル入力方式を用いた通常のCXR画像において、InceptionV3はCOVID-19分類で最高の感受性99.5％を達成した。
• セグメンテーション済み肺画像では、InceptionV3はCOVID-19で96.94％、MERSで79.68％、SARSで90.26％の感受性を示した。
• セグメンテーション済み肺画像を用いた場合、全テストネットワークがCOVID-19検出で96％以上の感受性を示し、この疾患に対してモデルの整合性が極めて高いことを示した。
• セグメンテーション済みCXR分類手法は、モデルのロバスト性と解釈可能性を向上させた。Score-CAMは病変を有する肺領域に注目していることを明確に示した。
• QU-COVID-familyデータセットは、今後のコロナウイルス分類に関する医用画像研究のための貴重なベンチマークを提供する。
• 本研究は、臨床医が一貫して同定することが難しい微細で特徴的なCOVID-19のレントゲン画像所見を、ディープラーニングが検出できることを示している。