[논문 리뷰] AI-MIA: COVID-19 Detection & Severity Analysis through Medical Imaging

Dimitrios Kollias, Αναστάσιος Αρσένος외 1명|Lincoln Repository (University of Lincoln)|2022. 06. 09.

COVID-19 diagnosis using AI인용 수 4

한 줄 요약

이 논문은 약 7,700개의 스캔으로 구성된 새로운 대규모 3차원 CT 스캔 데이터베이스(COV19-CT-DB)를 사용하여 코로나19 감염 검출 및 중증도 분류를 위한 CNN-RNN 딥러닝 베이스라인을 제시한다. 모델은 ResNet50를 통해 특징 추출을 수행하고, GRU를 통해 시간적 모델링을 수행하며, 감염 검출 시 0.77의 매크로 F1, 중증도 분류 시 0.63의 매크로 F1을 기록하여 향후 코로나19 분야의 인공지능 기반 의료 영상 연구를 위한 기준을 설정한다.

ABSTRACT

This paper presents the baseline approach for the organized 2nd Covid-19 Competition, occurring in the framework of the AIMIA Workshop in the European Conference on Computer Vision (ECCV 2022). It presents the COV19-CT-DB database which is annotated for COVID-19 detction, consisting of about 7,700 3-D CT scans. Part of the database consisting of Covid-19 cases is further annotated in terms of four Covid-19 severity conditions. We have split the database and the latter part of it in training, validation and test datasets. The former two datasets are used for training and validation of machine learning models, while the latter will be used for evaluation of the developed models. The baseline approach consists of a deep learning approach, based on a CNN-RNN network and report its performance on the COVID19-CT-DB database.

연구 동기 및 목표

• 3차원 흉부 CT 스캔에서 코로나19를 자동으로 감지하기 위한 강력한 딥러닝 베이스라인을 개발하는 것.
• 새로가운데 구축된 대규모 CT 스캔 데이터베이스를 활용하여 코로나19 환자의 중증도 분류를 가능하게 하는 것.
• 감염 검출 및 중증도 평가를 위한 전문가가 주석 처리한 표준화된 기준 데이터셋(COV19-CT-DB)을 제공하는 것.
• 임상적 맥락에서 다중 레이블, 다중 인스턴스 의료 영상 분류 과제에 대해 CNN-RNN 아키텍처의 성능을 평가하는 것.
• pandemic 대응에 있어 영상의학적 의사결정 지원을 위한 해석 가능하고 일반화 가능한 인공지능 모델 개발을 지원하는 것.

제안 방법

• 3차원 CT 스캔은 각각 224×224×3 크기로 리사이징되고, Hounsfield 단위 클리핑 후 [0,1]로 정규화된 2차원 축 방향 슬라이스의 시퀀스로 처리된다 (창/레벨: 350/−1150 HU).
• 각 2차원 슬라이스에서 공간적 특징을 추출하기 위해 ResNet50를 CNN 기반으로 사용하고, 전역 평균 풀링, 배치 정규화 및 드롭아웃(유지 확률 0.8)을 적용한다.
• 일방향 GRU(128개 유닛)는 모든 슬라이스를 거쳐 CNN으로 학습된 특징의 시퀀스를 처리하여 3차원 볼륨 내 시간적 종속성을 모델링한다.
• 코로나19 대비 비코로나19 진단을 위한 클래스 확률를 출력하기 위해 두 개의 유닛과 소프트맥스 활성화 함수를 갖는 출력층을 사용한다.
• '적어도 한 개 이상'의 투표 방식을 적용: 어떤 슬라이스라도 코로나19로 예측되면 전체 스캔은 양성으로 분류된다.
• Tesla V100 GPU에서 배치 크기가 5인 상태에서 Adam 옵timizer를 사용하고 기초 학습률을 10⁻⁴로 설정하여 이진 교차 엔트로피 손실 함수로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 전체 스캔 레이블만을 사용하고 슬라이스 수준의 주석이 없는 조건에서 CNN-RNN 아키텍처가 3차원 흉부 CT 스캔의 코로나19 유무를 효과적으로 분류할 수 있는가?
• RQ2 제안된 모델이 감염 검출 정확도 및 중증도 분류 측면에서 새로운 CT 스캔에 대해 얼마나 잘 일반화되는가?
• RQ3 전문가가 주석 처리한 중증도 수준을 포함한 대규모 다중 센터, 다중 스캐너 3차원 CT 데이터베이스를 사용할 경우 달성 가능한 성능은 어떠한가?
• RQ4 RNN를 통한 슬라이스 순차 모델링이 표준 2차원 또는 3차원 CNN보다 진단 성능을 얼마나 향상시키는가?
• RQ5 다중 인스턴스 학습 환경에서 다양한 투표 전략(예: 적어도 한 개 이상 대비 다수의 기준)이 최종 분류 결과에 어떤 영향을 미치는가?

주요 결과

• 베이스라인 CNN-RNN 모델은 검증 세트에서 코로나19 감염 검출 과제에서 매크로 F1 점수 0.77을 기록하여 CT 스캔의 이진 분류 과제에서 뛰어난 성능을 보였다.
• 더 복잡한 중증도 분류 과제에서는 매크로 F1 점수 0.63을 기록하여 다중 클래스 중증도 예측의 가능성은 입증되었지만 향후 개선 여지가 있음을 보여주었다.
• 데이터셋 COV19-CT-DB는 약 7,700개의 3차원 CT 스캔을 포함하고 있으며, 감염 검출 과제에서는 훈련 세트 258개, 검증 세트 61개로 분할되었고, 중증도 분류 과제도 유사한 분할 비율을 적용하였다.
• 모델이 '적어도 한 개 이상'의 투표 방식에 의존함으로써 단 한 개의 의심스러운 슬라이스라도 양성 진단을 유도할 수 있으며, 이는 임상적 민감도 우선 원칙과 부합한다.
• ResNet50를 특징 추출기로 사용하고 GRU 기반 순차 모델링을 적용함으로써 슬라이스 수준의 주석이 없음에도 불구하고 효과적인 3차원 맥락 이해가 가능하다.
• 이 연구는 향후 전염성 폐 질환 분야의 인공지능 기반 의료 영상 연구를 위한 재현 가능한 기준을 설정하였다. 특히 패닉 대응 맥락에서 의미가 있다.