[論文レビュー] Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images

Ahmad Chaddad, Lama Hassan+1 more|PubMed|Jun 4, 2022

COVID-19 diagnosis using AI被引用数 8

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）の特徴量の分布をガウス・ミックスチャネル・モデル（GMM）を用いてモデル化するGMM-CNNという深層ラジオミクス手法を提案する。この手法により、胸部CTおよびレントゲン画像におけるCOVID-19の検出性能が向上し、97.00%の正確性と99.45%のAUCを達成した。標準的なCNN分類法よりも顕著に優れており（p < 0.05）、過学習の懸念が小さい。

ABSTRACT

This article proposes to encode the distribution of features learned from a convolutional neural network (CNN) using a Gaussian mixture model (GMM). These parametric features, called GMM-CNN, are derived from chest computed tomography (CT) and X-ray scans of patients with coronavirus disease 2019 (COVID-19). We use the proposed GMM-CNN features as input to a robust classifier based on random forests (RFs) to differentiate between COVID-19 and other pneumonia cases. Our experiments assess the advantage of GMM-CNN features compared with standard CNN classification on test images. Using an RF classifier (80% samples for training; 20% samples for testing), GMM-CNN features encoded with two mixture components provided a significantly better performance than standard CNN classification ( ). Specifically, our method achieved an accuracy in the range of 96.00%-96.70% and an area under the receiver operator characteristic (ROC) curve in the range of 99.29%-99.45%, with the best performance obtained by combining GMM-CNN features from both CT and X-ray images. Our results suggest that the proposed GMM-CNN features could improve the prediction of COVID-19 in chest CT and X-ray scans.

研究の動機と目的

• ラベル付きデータが限られる医療画像分野における深層学習モデルの過学習問題に対処すること。
• 胸部CTおよびレントゲン画像におけるCOVID-19と他のウイルス性肺炎を区別するCNNベースの分類の一般化性能および耐性を向上させること。
• ガウス・ミックスチャネル・モデル（GMM）を用いてCNN特徴量の分布をモデル化することで、コンactな識別的ラジオミクス記述子を構築すること。
• 強力な分類器を用いてCTおよびレントゲン画像モodalの両方からの特徴量を統合し、診断性能を向上させること。
• 限られた医療データセット上で過学習を低減し、一般化性能を向上させるAI支援型のCOVID-19検出の最先端の手法を確立すること。

提案手法

• COVID-19を有する・無しの患者の胸部CTおよびレントゲン画像に、事前に訓練されたCNN（DarkNetおよびResNet）を適用し、特徴量を抽出する。
• 各CNN活性化マップにおける特徴量の分布を、k成分（k=2または3）を有するガウス・ミックスチャネル・モデル（GMM）でモデル化し、コンパクトなパrametric記述子を生成する。
• GMMのパrameter（平均、共分散、混合重み）を用いて、深層特徴量の統計的分布を記述するラジオミクス記述子として利用する。
• GMMで符号化された特徴量を用いてランダムフォレスト分類器を訓練し、COVID-19と非COVID-19肺炎症例を区別する。
• CTおよびレントゲン画像からのGMM-CNN特徴量を統合し、マルチモodal融合による診断性能の向上を図る。
• 小規模な医療データセット上で過学習を低減し、一般化性能を向上させるために、ランダムフォレスト分類器にバギング戦略を適用する。

実験結果

リサーチクエスチョン

• RQ1 GMMを用いて深層CNN特徴量の分布をモデル化することで、医療画像におけるCOVID-19分類の一般化性能および耐性が向上するか？
• RQ2 限られたラベル付き医療データ上で訓練された場合、提案手法のGMM-CNNは標準的なCNN分類法よりも正確性およびAUCで優れているか？
• RQ3 本診断タスクにおいて、コンパクトかつ識別的な特徴量表現を達成するための最適なGMM成分数（k）は何か？
• RQ4 CTおよびレントゲン画像モダリティからの特徴量を統合することで、単一モダリティを使用する場合と比較して診断性能が向上するか？
• RQ5 GMM-CNNフレームワークは、異なるCNNアーキテクチャ（例：DarkNetおよびResNet）に効果的に適用可能であり、診断の耐性を向上させられるか？

主な発見

• CTおよびレントゲン画像からの特徴量を統合したGMM-CNN手法は、97.00%の正確性および受信器操作特性曲線下の面積（AUC）99.45%を達成し、標準的なCNN分類法よりも顕著に優れていた（p < 0.05）。
• 特徴量符号化に2つのGMM成分（k=2）を用いるだけで、顕著な性能向上が得られ、コンパクトなパrametricモデリングの有効性が示された。
• 最高の性能は、CTおよびレントゲン画像からのGMM-CNN特徴量を統合した場合に得られ、マルチモダリティ統合が診断能力を向上させることを示した。
• GMM-CNN特徴量を入力として使用したランダムフォレスト分類器は、特に小規模データセット上において、標準的なCNN微調整法よりも優れた一般化性能および耐性を示した。
• 本手法は、文献上、医療画像を用いたCOVID-19検出において、99.45%という最先端のAUCを達成し、Zhaou et al. や Khan et al. の手法を上回った。
• 本手法は、DarkNetおよびResNetといった異なるCNNアーキテクチャにおいても強力な性能を示し、深層学習バックボーンとの互換性およびスケーラビリティを示した。