[논문 리뷰] 3D Tomographic Pattern Synthesis for Enhancing the Quantification of COVID-19

Siqi Liu, Bogdan Georgescu외 11명|arXiv (Cornell University)|2020. 05. 05.

COVID-19 diagnosis using AI참고 문헌 49인용 수 20

한 줄 요약

이 논문은 부족한 실제 코로나19 CT 데이터를 보완하기 위해 3D GAN 기반의 단층 촬영 패턴 합성 프레임워크를 제안하며, 폐 및 병변 세분화 성능을 향상시킨다. 위치 사전 지식과 인painting을 활용해 합성된 코로나19 패턴을 통해 세분화 정확도와 정량화 신뢰성을 높였으며, 병변 포함률은 6.02% 향상되고, 투명도 비율(PO) 계산의 피어슨 상관계수는 2.82% 향상되었다.

ABSTRACT

The Coronavirus Disease (COVID-19) has affected 1.8 million people and resulted in more than 110,000 deaths as of April 12, 2020. Several studies have shown that tomographic patterns seen on chest Computed Tomography (CT), such as ground-glass opacities, consolidations, and crazy paving pattern, are correlated with the disease severity and progression. CT imaging can thus emerge as an important modality for the management of COVID-19 patients. AI-based solutions can be used to support CT based quantitative reporting and make reading efficient and reproducible if quantitative biomarkers, such as the Percentage of Opacity (PO), can be automatically computed. However, COVID-19 has posed unique challenges to the development of AI, specifically concerning the availability of appropriate image data and annotations at scale. In this paper, we propose to use synthetic datasets to augment an existing COVID-19 database to tackle these challenges. We train a Generative Adversarial Network (GAN) to inpaint COVID-19 related tomographic patterns on chest CTs from patients without infectious diseases. Additionally, we leverage location priors derived from manually labeled COVID-19 chest CTs patients to generate appropriate abnormality distributions. Synthetic data are used to improve both lung segmentation and segmentation of COVID-19 patterns by adding 20% of synthetic data to the real COVID-19 training data. We collected 2143 chest CTs, containing 327 COVID-19 positive cases, acquired from 12 sites across 7 countries. By testing on 100 COVID-19 positive and 100 control cases, we show that synthetic data can help improve both lung segmentation (+6.02% lesion inclusion rate) and abnormality segmentation (+2.78% dice coefficient), leading to an overall more accurate PO computation (+2.82% Pearson coefficient).

연구 동기 및 목표

• 강력한 AI 모델을 훈련하기 위해 부족한, 다양하고 대표적인 코로나19 CT 영상 데이터의 부족 문제를 해결하기 위해.
• 팬데믹의 급격한 발생으로 인해 발생하는 데이터 다양성, 일반화 능력 및 레이블링 확장성의 도전 과제를 극복하기 위해.
• 투명도 비율(PO) 및 폐 영향 점수(PHO)와 같은 정량적 CT 생체지표의 정확성과 재현 가능성을 향상시키기 위해.
• 3D 흉부 CT에서 코로나19 병변의 임상적으로 관련 있는 공간적 및 질감 패턴을 유지하는 합성 데이터 생성 프레임워크를 개발하기 위해.
• 합성 데이터 증강이 폐 및 병변 세분화 성능을 향상시켜 인간 판독자 간 변동성에 가까워짐을 입증하기 위해.

제안 방법

• 단일 병변 레이블을 사용하여 비감염성 CT 스캔에서 코로나19 병변의 이미지 인painting을 수행하는 3D 조건부 생성 대안 네트워크(cGAN)를 훈련시킨다.
• 수동으로 레이블링된 코로나19 CT에서 유도된 위치 사전 지식을 활용해 합성 병변의 공간 분포를 안내한다.
• 지상 유리 낙관, 융합, 미로 패턴과 같은 일반적인 패턴의 공간 형태를 모델링하기 위해 3D 형상 생성 알고리즘을 사용한다.
• 폐 및 병변 세분화 네트워크 모두에서 실제 코로나19 케이스에 합성 케이스의 20%를 추가하여 실제 훈련 데이터를 증강한다.
• 합성 데이터 유무에 따라 2D 및 3D U-Net 기반 세분화 모델을 미세 조정하여 비교 분석한다.
• 병변 포함률(LIR), 다이스 유사도 계수(DSC), PO 및 PHO에 대한 피어슨 상관계수(PCC)를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 GAN 기반의 3D 단층 촬영 패턴 합성은 실제 제한된 코로나19 CT 데이터를 효과적으로 증강하여 세분화 성능을 향상시킬 수 있는가?
• RQ2 합성 데이터는 특히 코로나19에서 흔히 영향을 받는 외측 폐 영역에서 병변 영역 탐지에 얼마나 향상되는가?
• RQ3 합성 데이터의 포함 여부가 실제값 및 인간 판독자 간 변동성과 비교해 정량 생체지표인 투명도 비율(PO)의 정확성에 어떤 영향을 미치는가?
• RQ4 실제 레이블에서 유도된 위치 사전 지식을 사용함으로써 생성된 패턴의解부학적 타당성과 임상적 관련성이 향상되는가?
• RQ5 합성 데이터 증강 전략이 병변 세분화 및 정량화에서 인간 판독자 간 변동성과 유사한 성능을 달성할 수 있는가?

주요 결과

• 합성 데이터 20%를 추가함으로써 폐 세분화에서 병변 포함률(LIR)이 6.02% 향상되어 병변 영역의 더 나은 커버리지가 가능해졌다.
• 합성 데이터를 사용한 3D 세분화 네트워크는 DSC 0.7064를 달성하여, 이를 사용하지 않은 기준 모델(0.657) 대비 2.78% 향상되었다.
• 합성 데이터를 사용한 3D 모델에서 투명도 비율(PO)의 피어슨 상관계수(PCC)는 0.933에서 0.961로 상승하여 인간 판독자 간 변동성(PCC = 0.957)에 가까워졌다.
• 합성 데이터를 사용한 3D 모델에서 폐 영향 점수(PHO)의 PCC는 0.9099에서 0.9387로 향상되어 실제값과의 일치도가 향상됨을 보여주었다.
• 합성 데이터를 사용한 3D 모델은 PHO에 대해 DSC 0.9387을 기록하였으며, 이는 인간 판독자 간 변동성의 DSC 0.7132 ± 0.1831과 유사한 성능이었다.
• PO 상관계수 향상(2.82% 증가)은 합성 데이터가 정량 CT 생체지표 계산의 신뢰성을 향상시킨다는 것을 입증한다.