[論文レビュー] M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging

Xuelin Qian, Huazhu Fu+5 more|arXiv (Cornell University)|Oct 7, 2020

COVID-19 diagnosis using AI参考文献 65被引用数 5

ひとこと要約

本稿では、弱い教師付き学習を用いて、CTスキャンから多クラスの肺チフススクリーニング（COVID-19、H1N1、CAP、健常）を実行する2本のブランチを持つ2次元畳み込みニューラルネットワーク（2D CNN）システム、M3Lung-Sysを提案する。スライスレベルおよび患者レベルの分類ネットワークを活用することで、ピクセルレベルのアノテーションが不要な解釈可能な病変局在マップを生成しつつ、高い診断精度を達成し、3D CNNベースラインと比較して著しく低い訓練コストで性能を上回る。

ABSTRACT

To counter the outbreak of COVID-19, the accurate diagnosis of suspected cases plays a crucial role in timely quarantine, medical treatment, and preventing the spread of the pandemic. Considering the limited training cases and resources (e.g, time and budget), we propose a Multi-task Multi-slice Deep Learning System (M3Lung-Sys) for multi-class lung pneumonia screening from CT imaging, which only consists of two 2D CNN networks, i.e., slice- and patient-level classification networks. The former aims to seek the feature representations from abundant CT slices instead of limited CT volumes, and for the overall pneumonia screening, the latter one could recover the temporal information by feature refinement and aggregation between different slices. In addition to distinguish COVID-19 from Healthy, H1N1, and CAP cases, our M 3 Lung-Sys also be able to locate the areas of relevant lesions, without any pixel-level annotation. To further demonstrate the effectiveness of our model, we conduct extensive experiments on a chest CT imaging dataset with a total of 734 patients (251 healthy people, 245 COVID-19 patients, 105 H1N1 patients, and 133 CAP patients). The quantitative results with plenty of metrics indicate the superiority of our proposed model on both slice- and patient-level classification tasks. More importantly, the generated lesion location maps make our system interpretable and more valuable to clinicians.

研究の動機と目的

• 新型コロナウイルス感染症の流行期における、コスト効率が良くスケーラブルな深層学習システムを、多クラス肺チフススクリーニングのために開発すること。
• 患者レベルのラベルのみを用いた弱い教師付き学習により、限られたアノテーションデータの課題に対処すること。
• スライスレベルおよび患者レベルの分類を可能にするとともに、解釈可能な病変局在マップを生成すること。
• 3D畳み込みニューラルネットワーク（3D CNN）とは異なり、2つの2D CNNを用いることで、計算コストを低減すること。
• 放射線科医がモデルの予測を理解しやすくなるように、視覚的な説明を提供することで、臨床的有用性を向上させること。

提案手法

• システムは、個々のCTスライスから特徴を抽出し、病変の有無および多クラスのチフスタイプを予測するスライスレベル分類ネットワークを用いる。
• 患者レベル分類ネットワークは、特徴の精錬と時系列モデリングを用いてスライス間の特徴を集約し、診断精度を向上させる。
• 最終的な患者レベルの予測は、スライスレベルの確率を統合する非パrametricな包括的評価により計算され、健常と分類するためのしきい値T=0.99が用いられる。
• ピクセルレベルのアノテーションが不要な状態で、スライスレベルネットワークからの注目メカニズムと確率マップを活用して病変局在マップを生成する。
• ピクセル単位のセグメンテーションアノテーションにかかる高コストを回避するため、モデルは患者レベルのラベルのみを用いてエンドツーエンドで訓練される。
• アーキテクチャは計算効率が高く設計されており、3D CNNが有する高いメモリ使用量と訓練コストを回避する。

実験結果

リサーチクエスチョン

• RQ1 ピクセルレベルのアノテーションが不要な状態で、弱い教師付き2次元畳み込みニューラルネットワーク（2D CNN）システムが、CTスキャンからの多クラス肺チフス分類において高い精度を達成できるか？
• RQ2 本システムは、臨床医の解釈性を向上させるために、CTスライスにおける病変の局在を効果的に特定できるか？
• RQ3 スライスレベルと患者レベルの2本のブランチを持つ2次元畳み込みニューラルネットワーク（2D CNN）アーキテクチャが、3D CNNと比較して診断性能を上回りつつ、訓練コストを削減できるか？
• RQ4 本システムは、COVID-19、H1N1、CAP、健常症例を高感度および高特異度で区別できるか？
• RQ5 非パrametricな包括的評価戦略は、スライスレベルの予測を統合して最終的な患者レベルの診断を効果的に得られるか？

主な発見

• M3Lung-Sysシステムは、4つのチフスタイプ（健常、COVID-19、H1N1、CAP）について、スライスレベルおよび患者レベルの分類タスクで優れた性能を達成した。
• 292名の患者（健常102名、COVID-19 96名、H1N1 41名、CAP 53名）からなるテストセットにおいて、高精度な診断を示し、高価なアノテーションに依存する必要を最小限に抑えた。
• ピクセルレベルの監視が一切不要な状態で、解釈可能な病変局在マップを生成し、臨床的信頼性と診断の洞察を向上させた。
• 2本のブランチを持つ2次元畳み込みニューラルネットワーク（2D CNN）アーキテクチャは、3D CNNと比較して訓練コストを著しく削減したが、主要指標の性能を維持または上回った。
• 非パrametricな包括的評価戦略により、スライスレベルの予測が効果的に統合され、健常と分類するためのしきい値T=0.99を用いて、安定した患者レベルの診断が達成された。
• 2次元畳み込みのみを用いたにもかかわらず、既存の3D CNNベースラインと比較して、効率性と臨床的解釈可能性の両面で優れた性能を示した。