[論文レビュー] Lung Infection Quantification of COVID-19 in CT Images with Deep Learning

Fei Shan, Yaozong Gao+7 more|arXiv (Cornell University)|Mar 10, 2020

COVID-19 diagnosis using AI参考文献 35被引用数 537

ひとこと要約

深層学習によるセグメンテーションシステムがCTスキャンでCOVID-19肺感染を自動的に定量化し、手動アノテーションとの高い一致と低い感染割合誤差を達成。訓練と修正を加速するための人間を介在させた(HITL)戦略の支援を受ける。

ABSTRACT

CT imaging is crucial for diagnosis, assessment and staging COVID-19 infection. Follow-up scans every 3-5 days are often recommended for disease progression. It has been reported that bilateral and peripheral ground glass opacification (GGO) with or without consolidation are predominant CT findings in COVID-19 patients. However, due to lack of computerized quantification tools, only qualitative impression and rough description of infected areas are currently used in radiological reports. In this paper, a deep learning (DL)-based segmentation system is developed to automatically quantify infection regions of interest (ROIs) and their volumetric ratios w.r.t. the lung. The performance of the system was evaluated by comparing the automatically segmented infection regions with the manually-delineated ones on 300 chest CT scans of 300 COVID-19 patients. For fast manual delineation of training samples and possible manual intervention of automatic results, a human-in-the-loop (HITL) strategy has been adopted to assist radiologists for infection region segmentation, which dramatically reduced the total segmentation time to 4 minutes after 3 iterations of model updating. The average Dice simiarility coefficient showed 91.6% agreement between automatic and manual infaction segmentations, and the mean estimation error of percentage of infection (POI) was 0.3% for the whole lung. Finally, possible applications, including but not limited to analysis of follow-up CT scans and infection distributions in the lobes and segments correlated with clinical findings, were discussed.

研究の動機と目的

• CT画像から肺内の感染ROIとその体積比を自動的に定量化する_DLベースのシステムを開発する。
• 最小限の手動介入で自動セグメンテーションを提供する。
• HITLを介した迅速な訓練用サンプルの描出と修正更新を可能にし、ワークフローを加速する。

提案手法

• 胸部CTスキャンの感染領域を識別する深層学習セグメンテーションモデルを訓練する。
• 自動セグメンテーションを、300人の患者からの300スキャンの手動描出と比較する。
• 放射線科医を支援する人間を介在させた(HITL)戦略を組み込み、より速い描出とモデル更新を実現する（3回の反復）。
• 自動と手動のセグメンテーション間のDice類似係数で性能を評価する。
• 全肺の感染割合(POI)の平均誤差を報告する。

実験結果

リサーチクエスチョン

• RQ1 DLベースのセグメンテーションシステムはCOVID-19のCT画像における感染領域を正確に定量化できるか？
• RQ2 大規模な患者データセットにおける自動と手動の感染セグメンテーションの一致はどの程度か？
• RQ3 HITLアプローチは手動描出時間を短縮し、反復ごとにセグメンテーション更新を改善するか？
• RQ4 全肺の感染分率推定(POI)の正確さはどの程度か？

主な発見

• 自動と手動の感染セグメンテーション間の平均Dice類似係数は91.6%である。
• 全肺の感染割合(POI)の平均推定誤差は0.3%である。
• HITLアプローチはモデル更新の3回の反復後、総セグメンテーション時間を大幅に4分に短縮する。