[논문 리뷰] Automated Detection and Forecasting of COVID-19 using Deep Learning Techniques: A Review

Afshin Shoeibi, Marjane Khodatars외 13명|arXiv (Cornell University)|2020. 07. 16.

COVID-19 diagnosis using AI참고 문헌 240인용 수 148

한 줄 요약

COVID-19 진단을 위한 X-ray/CT에서의 딥 러닝 모델 사용, 분할 및 예측에 관한 포괄적 고찰, 데이터 소스와 도전과제 포함.

ABSTRACT

Coronavirus, or COVID-19, is a hazardous disease that has endangered the health of many people around the world by directly affecting the lungs. COVID-19 is a medium-sized, coated virus with a single-stranded RNA, and also has one of the largest RNA genomes and is approximately 120 nm. The X-Ray and computed tomography (CT) imaging modalities are widely used to obtain a fast and accurate medical diagnosis. Identifying COVID-19 from these medical images is extremely challenging as it is time-consuming and prone to human errors. Hence, artificial intelligence (AI) methodologies can be used to obtain consistent high performance. Among the AI methods, deep learning (DL) networks have gained popularity recently compared to conventional machine learning (ML). Unlike ML, all stages of feature extraction, feature selection, and classification are accomplished automatically in DL models. In this paper, a complete survey of studies on the application of DL techniques for COVID-19 diagnostic and segmentation of lungs is discussed, concentrating on works that used X-Ray and CT images. Additionally, a review of papers on the forecasting of coronavirus prevalence in different parts of the world with DL is presented. Lastly, the challenges faced in the detection of COVID-19 using DL techniques and directions for future research are discussed.

연구 동기 및 목표

• X-ray 및 CT 이미지를 사용한 COVID-19 탐지 및 분할에 DL 네트워크가 어떻게 적용되는지 요약한다.
• 지역별 COVID-19 확산 예측에 대한 DL 기반 예측 방법을 검토한다.
• DL COVID-19 연구에서 사용되는 공공 데이터셋 및 전처리 방법을 식별한다.
• DL 기반 COVID-19 진단 및 예측의 도전 과제와 향후 연구 방향을 논의한다.

제안 방법

• COVID-19 연구에서 분류, 분할 및 예측에 사용된 DL 아키텍처에 대한 고찰.
• 제한된 데이터를 완화하기 위한 데이터 증강 및 사전 학습 모델에 대한 논의.
• U-Net, SegNet, FCN 등과 같은 분할 모델과 흉부 경계화(lung delineation)에서의 역할 개요.
• RNN 및 LSTM/GRU 변형을 포함한 예측 모델의 설명.
• 주의(attention), 트랜스포머(transformers), 데이터 융합(data fusion), 그래프 DL 등 고급 AI 트렌드의 탐구.

실험 결과

연구 질문

• RQ1 X-ray 및 CT 이미지에서 COVID-19 탐지를 위해 가장 효과적이었던 DL 아키텍처와 학습 전략은 무엇인가?
• RQ2 세분화(segmentation) 및 예측(DL) 접근법이 COVID-19 진단 및 확산 예측에 어떻게 기여했는가?
• RQ3 DL COVID-19 연구에서 일반적으로 사용되는 공공 데이터셋 및 전처리 단계는 무엇인가?
• RQ4 COVID-19 탐지 및 예측에 DL을 적용하는 데 있어 주요 도전과제와 향후 방향은 무엇인가?

주요 결과

• DL-based CADS using X-ray/CT achieve high accuracies across numerous studies (various reported metrics).
• Segmentation models like U-Net and SegNet are commonly used for lung delineation in COVID-19 imaging.
• Forecasting DL approaches mainly use RNN/LSTM/GRU to model time-series data for spread prediction.
• Attention, transformer, data fusion, and graph DL methods are emerging trends for COVID-19 diagnosis and prognosis.
• There is a rich set of public datasets and data augmentation strategies to address limited COVID-19 data, though forecasting data remain relatively scarce.