[論文レビュー] GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for\n Identifying COVID-19 on Chest X-rays

Angelica I. Avilés-Rivero, Philip Sellars+2 more|arXiv (Cornell University)|Sep 30, 2020

COVID-19 diagnosis using AI参考文献 89被引用数 34

ひとこと要約

GraphXCOVID は、グラフベースの深層半教師ありフレームワークを提示し、小さなラベル付きセットから拡散により擬似ラベルを生成して胸部X線のCOVID-19を分類します。いくつかの supervised モデルよりもラベルがはるかに少ないデータで性能を上回り、説明可能な注意マップを提供します。

ABSTRACT

Can one learn to diagnose COVID-19 under extreme minimal supervision? Since\nthe outbreak of the novel COVID-19 there has been a rush for developing\nArtificial Intelligence techniques for expert-level disease identification on\nChest X-ray data. In particular, the use of deep supervised learning has become\nthe go-to paradigm. However, the performance of such models is heavily\ndependent on the availability of a large and representative labelled dataset.\nThe creation of which is a heavily expensive and time consuming task, and\nespecially imposes a great challenge for a novel disease. Semi-supervised\nlearning has shown the ability to match the incredible performance of\nsupervised models whilst requiring a small fraction of the labelled examples.\nThis makes the semi-supervised paradigm an attractive option for identifying\nCOVID-19. In this work, we introduce a graph based deep semi-supervised\nframework for classifying COVID-19 from chest X-rays. Our framework introduces\nan optimisation model for graph diffusion that reinforces the natural relation\namong the tiny labelled set and the vast unlabelled data. We then connect the\ndiffusion prediction output as pseudo-labels that are used in an iterative\nscheme in a deep net. We demonstrate, through our experiments, that our model\nis able to outperform the current leading supervised model with a tiny fraction\nof the labelled examples. Finally, we provide attention maps to accommodate the\nradiologist's mental model, better fitting their perceptual and cognitive\nabilities. These visualisation aims to assist the radiologist in judging\nwhether the diagnostic is correct or not, and in consequence to accelerate the\ndecision.\n

研究の動機と目的

• 最小限のラベルデータで胸部X線からのCOVID-19分類を堅牢に促進する。
• 未ラベルデータの擬似ラベルを生成するためのグラフベースの拡散モデルを開発する。
• 拡散ベースの擬似ラベルを深層ネットワークと統合し、性能を反復的に向上させる。
• 診断を支援するためにアテンションマップによる解釈可能性を提供する。

提案手法

• データセットをノードが画像でエッジが特徴類似性をエンコードするグラフとして表現する。
• 深層ネットワークを介して特徴を抽出し、学習された特徴空間でk-NNを用いてグラフを構築する。
• 正規化された非平滑な p=1 Dirichlet エネルギー拡散をグラフ上で解き、擬似ラベルを得る。
• クラス不均衡と不確実性を考慮した重み付きクロスエントロピー損失を用いて、擬似ラベルとネットワークパラメータを反復的に更新する。
• エントロピーを用いて擬似ラベルの不確実性を計算し、訓練への影響度を重み付けする。

実験結果

リサーチクエスチョン

• RQ1 グラフベースの拡散モデルは、限られたアノテーションで深層半教師ありCOVID-19分類を可能にする信頼できる擬似ラベルを生成できるか？
• RQ2 拡散生成擬似ラベルを深層ネットワークと統合することで、完全監視ベースのベースラインや既存の SSL 手法と比較して COVID-19 検出の精度と感度を改善するか？
• RQ3 GraphXCOVID が生成するアテンションマップは、放射線科医の予測解釈と診断の信頼性向上を支援するか？

主な発見

• GraphXCOVID は、ラベル付きデータの一部を使用しながら COVID-19 に対して高い感度と競争力のある精度を達成する。
• 拡散ベースの擬似ラベルは、不確実性の重み付けとクラスバランシングと組み合わせて、同様の半教師ありベースラインやいくつかの監督モデルをCOVIDxデータセットで上回る。
• この手法は放射線科医の知覚的手がかりと一致するアテンションマップを提供し、診断を支援する。