[論文レビュー] UncertaintyFuseNet: Robust Uncertainty-aware Hierarchical Feature Fusion with Ensemble Monte Carlo Dropout for COVID-19 Detection

Moloud Abdar, Soorena Salari+7 more|arXiv (Cornell University)|May 18, 2021

COVID-19 diagnosis using AI参考文献 60被引用数 27

ひとこと要約

本論文では、アンサンブル・モンテカルロドロップアウトを用いてモデルの不確実性を定量化・管理するUncertaintyFuseNet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を統合してCOVID-19を検出する、頑健なディープラーニングモデルが実現され、未知のデータに対して優れた汎化性能とノイズ耐性を示す。単一モodalな手法に比べ、画像モダリティ間で不確実性を考慮した特徴統合を実現することで、優れた性能を達成する。

ABSTRACT

The COVID-19 (Coronavirus disease 2019) has infected more than 151 million people and caused approximately 3.17 million deaths around the world up to the present. The rapid spread of COVID-19 is continuing to threaten human's life and health. Therefore, the development of computer-aided detection (CAD) systems based on machine and deep learning methods which are able to accurately differentiate COVID-19 from other diseases using chest computed tomography (CT) and X-Ray datasets is essential and of immediate priority. Different from most of the previous studies which used either one of CT or X-ray images, we employed both data types with sufficient samples in implementation. On the other hand, due to the extreme sensitivity of this pervasive virus, model uncertainty should be considered, while most previous studies have overlooked it. Therefore, we propose a novel powerful fusion model named $UncertaintyFuseNet$ that consists of an uncertainty module: Ensemble Monte Carlo (EMC) dropout. The obtained results prove the effectiveness of our proposed fusion for COVID-19 detection using CT scan and X-Ray datasets. Also, our proposed $UncertaintyFuseNet$ model is significantly robust to noise and performs well with the previously unseen data. The source codes and models of this study are available at: this https URL.

研究の動機と目的

• 臨床意思決定を支援するため、医療画像を用いたCOVID-19の正確で自動化された検出の緊急なニーズに対応する。
• CTやX線のいずれかの画像モダリティに依存する既存の研究の限界を克服するため、両方のデータタイプを統合し、診断性能を向上させる。
• 特に高リスクの医療応用において、多くの既存手法が無視するこの重要な側面であるモデルの不確実性を検出パイプラインに統合する。
• 実世界のデータ変動や分布シフトにさらされても、以前に観測されていないデータに対して良好に一般化できる、頑健でノイズに強いモデルを開発する。
• 再現可能性とパンデミック対応のための医療AI分野におけるさらなる研究を支援するため、公開可能な実装を提供する。

提案手法

• 複数のレベルで分離されたCTおよびX線ブランチネットワークからの特徴を統合する階層的特徴統合アーキテクチャを採用し、表現学習を強化する。
• 推論時にドロップアウトを有効に保ちながら複数回の順方向伝搬を実行することで、アンサンブル・モンテカルロ（EMC）ドロップアウトモジュールを統合し、モデルの不確実性を推定する。
• 複数回の順方向伝搬におけるモンテカルロサンプリングを用いて予測分散を推定し、各予測における不確実性の定量化を可能にする。
• EMCドロップアウトを正則化および不確実性推定の両方の目的で活用しながら、クロスエントロピー損失を用いてモデルをエンドツーエンドで訓練する。
• 学習可能なアテンションまたは連結メカニズムを用いて、CTおよびX線ブランチからの特徴を統合し、情報量が多く、モダリティ固有の特徴を優先する。
• 不確実性を考慮した訓練および推論を適用することで、データが少ないまたはノイズが多い状況でも、モデルの頑健性と信頼性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 CTおよびX線画像の共同モデリングは、単一モダリティ手法と比較して、COVID-19検出の正確性と頑健性を向上させるか？
• RQ2 アンサンブル・モンテカルロドロップアウトは、特に感染性が高く、急速に広がる病気であるCOVID-19のような状況において、医療画像分野で不確実性を効果的に定量化できるか？
• RQ3 不確実性推定を統合することで、分布外またはノイズのあるテストサンプルにおけるモデルの一般化性能が向上するか？
• RQ4 提案された統合アーキテクチャは、実世界の展開状況において、予測分散をどの程度低減させ、信頼性を向上させるか？
• RQ5 提案手法は、以前に観測されていないデータに対してテストされた場合でも高い性能を維持できるか。これは、強力な一般化能力を示唆する。

主な発見

• 提案されたUncertaintyFuseNetモデルは、CTおよびX線画像モダリティからの特徴を効果的に統合することで、COVID-19検出において優れた性能を達成した。
• アンサンブル・モンテカルロドロップアウトの統合により、高リスクの診断環境でも予測が信頼できるようになる不確実性の定量化が可能になった。
• ノイズに強く、以前に観測されていないデータに対しても良好に動作し、強力な一般化能力を示した。
• 多モダリティデータ（CTおよびX線）の統合により、単一モダリティで訓練されたモデルと比較して、診断精度が向上した。
• ソースコードおよびトレーニング済みモデルが公開されており、感染症検出のための医療AI分野における再現可能性とさらなる研究を促進する。