[논문 리뷰] Automated detection and quantification of COVID-19 airspace disease on chest radiographs: A novel approach achieving radiologist-level performance using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based ground-truth

Eduardo Jose Mortani Barbosa, Warren B. Gefter외 14명|arXiv (Cornell University)|2020. 08. 13.

COVID-19 diagnosis using AI참고 문헌 28인용 수 5

한 줄 요약

이 연구는 흉부 CT 기반 진단 기준을 바탕으로 디지털 재구성 방사선도(DRR)를 학습에 사용한 컨volutional 네트워크(CNN)를 활용해 흉부 X선(CXR)에서 코로나19 관련 기도질환을 탐지하고 정량화하는 딥러닝 기반 접근법을 제시한다. 이 방법은 전문 방사선의 수준의 정확도를 달성하였으며, 예측된 값과 기준값 간 평균 절대 오차(MAE)는 9.56–9.78%이고, 상관관계는 0.78–0.81을 기록하였다.

ABSTRACT

Purpose: To leverage volumetric quantification of airspace disease (AD) derived from a superior modality (CT) serving as ground truth, projected onto digitally reconstructed radiographs (DRRs) to: 1) train a convolutional neural network to quantify airspace disease on paired CXRs; and 2) compare the DRR-trained CNN to expert human readers in the CXR evaluation of patients with confirmed COVID-19. Materials and Methods: We retrospectively selected a cohort of 86 COVID-19 patients (with positive RT-PCR), from March-May 2020 at a tertiary hospital in the northeastern USA, who underwent chest CT and CXR within 48 hrs. The ground truth volumetric percentage of COVID-19 related AD (POv) was established by manual AD segmentation on CT. The resulting 3D masks were projected into 2D anterior-posterior digitally reconstructed radiographs (DRR) to compute area-based AD percentage (POa). A convolutional neural network (CNN) was trained with DRR images generated from a larger-scale CT dataset of COVID-19 and non-COVID-19 patients, automatically segmenting lungs, AD and quantifying POa on CXR. CNN POa results were compared to POa quantified on CXR by two expert readers and to the POv ground-truth, by computing correlations and mean absolute errors. Results: Bootstrap mean absolute error (MAE) and correlations between POa and POv were 11.98% [11.05%-12.47%] and 0.77 [0.70-0.82] for average of expert readers, and 9.56%-9.78% [8.83%-10.22%] and 0.78-0.81 [0.73-0.85] for the CNN, respectively. Conclusion: Our CNN trained with DRR using CT-derived airspace quantification achieved expert radiologist level of accuracy in the quantification of airspace disease on CXR, in patients with positive RT-PCR for COVID-19.

연구 동기 및 목표

• 딥러닝을 활용해 흉부 레이저 영상(CXR)에서 코로나19 관련 기도질환(AD)의 정확한 정량화 방법을 개발한다.
• 흉부 CT에서의 부피 기반 AD 세분화 결과를 기준값으로 활용하여, 이를 2차원 DRR에 투영함으로써 학습에 활용한다.
• DRR 이미지를 기반으로 컨volutional 네트워크(CNN)를 학습시켜 CXR에서 영역 기반 AD 백분율(POa)을 예측한다.
• CNN의 성능을 전문 방사선의의 결과와 비교하여 CXR에서 AD를 탐지하고 정량화하는 데 있어 성능을 평가한다.
• 표준 CXR를 활용해 확진된 코로나19 환자의 질환 진행 상황을 모니터링할 수 있는 임상적으로 실용적인 자동화 도구를 구축한다.

제안 방법

• 48시간 이내에 CT와 CXR가 모두 확보된 86명의 확진 코로나19 환자로 구성된 후향적 코hort를 확보하였다.
• CT 영상에서 기도질환(AD)의 수동 3차원 세분화를 수행하여 기준값으로서의 부피 기반 백분율(POv)을 확보하였다.
• CT에서 유도된 3차원 AD 마스크를 2차원 전후방 DRR에 투영하여, CXR의 대체로 사용할 수 있는 영역 기반 AD 백분율(POa)을 계산하였다.
• 코로나19 환자와 비코로나19 환자 모두를 포함한 더 큰 CT 데이터셋에서 유도된 DRR 이미지를 기반으로 컨volutional 네트워크(CNN)를 학습시켰다.
• CNN은 폐와 AD를 자동으로 세분화하고, CXR에서 POa를 출력하도록 최적화되었다.
• CNN의 성능 평가를 위해, 예측된 POa를 CT 기반 기준값(POv)과 두 명의 전문 방사선의가 측정한 POa와 비교하였다.

실험 결과

연구 질문

• RQ1 CT 기반 기준값에서 유도된 DRR을 기반으로 학습된 CNN이 CXR에서 기도질환의 정확한 정량화를 달성할 수 있는가?
• RQ2 DRR 기반으로 학습된 CNN의 성능은 전문 방사선의가 CXR에서 AD 부담을 측정하는 것과 비교해 어떻게 되는가?
• RQ3 CT에서 유도된 부피 기반 세분화 결과를 기준값으로 사용할 경우, CXR 기반 질환 정량화의 정확도가 얼마나 향상되는가?
• RQ4 DRR 투영 방법은 실제 CXR의 외관을 효과적으로 시뮬레이션하면서도 질환 부담 정보를 유지할 수 있는가?
• RQ5 CNN의 성능은 임상 평가에서 방사선의 수준의 정확도를 달성할 정도로 충분히 강건한가?

주요 결과

• 예측된 POa와 CT 기반 기준값(POv) 간의 부트스트랩 평균 절대 오차(MAE)는 9.56–9.78%를 기록하였다.
• CNN은 예측된 POa와 POv 간 상관관계가 0.78–0.81로 나타나 기준값과 강한 일치를 보였다.
• 두 명의 전문 독해자 평균의 MAE는 11.98% [11.05%–12.47%]이고, POv와의 상관계수는 0.77 [0.70–0.82]였다.
• CNN의 성능는 전문 방사선의와 통계적으로 유사했으며, 더 낮은 MAE와 약간 높은 상관계수를 기록하였다.
• DRR 기반 학습 방식 덕분에, CNN은 CT 기반 투영 이미지에서 학습되었음에도 불구하고 실제 CXR 이미지에 대해 효과적으로 일반화할 수 있었다.
• 이 방법은 고정밀도의 부피 기반 CT 세분화 결과를 2차원 CXR로 효과적으로 전이하여 자동화된 정확한 질환 정량화를 가능하게 하였다.