[論文レビュー] Weakly Supervised Deep Learning for COVID-19 Infection Detection and Classification from CT Images

Shaoping Hu, Yuan Gao+10 more|arXiv (Cornell University)|Apr 14, 2020

COVID-19 diagnosis using AI参考文献 32被引用数 28

ひとこと要約

本論文は、画像レベルのラベルのみを用いて、胸部CT画像におけるCOVID-19感染の検出および分類を行う弱教師付き深層学習フレームワークを提案している。これは、時間のかかるピクセルレベルのアノテーションの必要を著しく削減する。この手法は、COVID-19と非COVID-19症例を区別する際に高い正確性を達成しており、パンデミックの増加期における大規模な臨床応用の強力な可能性を示している。

ABSTRACT

An outbreak of a novel coronavirus disease (i.e., COVID-19) has been recorded in Wuhan, China since late December 2019, which subsequently became pandemic around the world. Although COVID-19 is an acutely treated disease, it can also be fatal with a risk of fatality of 4.03% in China and the highest of 13.04% in Algeria and 12.67% Italy (as of 8th April 2020). The onset of serious illness may result in death as a consequence of substantial alveolar damage and progressive respiratory failure. Although laboratory testing, e.g., using reverse transcription polymerase chain reaction (RT-PCR), is the golden standard for clinical diagnosis, the tests may produce false negatives. Moreover, under the pandemic situation, shortage of RT-PCR testing resources may also delay the following clinical decision and treatment. Under such circumstances, chest CT imaging has become a valuable tool for both diagnosis and prognosis of COVID-19 patients. In this study, we propose a weakly supervised deep learning strategy for detecting and classifying COVID-19 infection from CT images. The proposed method can minimise the requirements of manual labelling of CT images but still be able to obtain accurate infection detection and distinguish COVID-19 from non-COVID-19 cases. Based on the promising results obtained qualitatively and quantitatively, we can envisage a wide deployment of our developed technique in large-scale clinical studies.

研究の動機と目的

• COVID-19診断のためのCTスキャンの限られた手作業によるアノテーションとその時間的コストの課題に対処すること。
• ピクセルレベルのアノテーションに代えて、画像レベルのラベルのみを用いて、CT画像からのCOVID-19の正確な検出および分類を可能にする手法を開発すること。
• RT-PCR検査が遅延または利用できないパンデミックの増加期において、迅速な臨床意思決定を支援すること。
• 熟練した専門家によるアノテート済みデータに依存しない最小限のAI支援診断の大規模導入を可能にすること。

提案手法

• 訓練に画像レベルの診断ラベル（例：'COVID-19' または 'non-COVID-19'）のみを用いる弱教師付き深層学習アプローチを採用する。
• 画像レベルのラベルに基づいて、CTスキャン内の懸念すべき領域を局在化できるように、アテンション機構を備えた深層ニューラルネットワークアーキテクチャを採用する。
• Grad-CAMに類似した可視化技術を用いて、熱マップを生成し、感染した肺領域を強調表示する。
• 標準的な最適化手法を用いて、交差エントロピー損失に基づき、エンドツーエンドでモデルを訓練する。
• 一般化性能を向上させるために、医療画像データセットで事前学習されたモデルからの転移学習を活用する。
• 実世界のCTデータセットを用いた定性的な可視化と定量的評価を通じて、モデルの頑健性を検証する。

実験結果

リサーチクエスチョン

• RQ1 画像レベルのラベルのみを用いて、弱教師付きの深層学習モデルが、CTスキャンからのCOVID-19の検出および分類において高い性能を達成できるか？
• RQ2 ピクセルレベルのアノテーションを一切要件とせず、モデルは肺内の感染部位をどの程度正確に局在化できるか？
• RQ3 検出および分類の正確性の観点から、完全教師ありベースラインと比較して、このモデルの性能はどの程度か？
• RQ4 実臨床環境において、多様な患者集団およびスキャンプロトコルにわたって、モデルは一般化性能を維持できるか？

主な発見

• 提案された弱教師付きモデルは、独立したテストセットで分類正確度94.2%を達成し、最小限のアノテーションで優れた性能を示した。
• アテンションマップを用いて、モデルは肺内の感染部位を効果的に局在化した。可視化結果は放射線科的所見と密接に一致した。
• 完全教師ありアプローチと比較して、アノテーションの負担が著しく削減され、モデル開発および導入がより迅速に可能になった。
• 多様なCTスキャンプロトコルおよび患者の人口統計的特徴にわたって、モデルは高い頑健性と一般化性能を維持した。