[논문 리뷰] Automatic Diagnosis of COVID-19 from CT Images using CycleGAN and Transfer Learning

Navid Ghassemi, Afshin Shoeibi외 6명|arXiv (Cornell University)|2021. 04. 24.

COVID-19 diagnosis using AI인용 수 16

한 줄 요약

이 논문은 CycleGAN 기반의 데이터 증강과 전이 학습을 사용하여 CT 영상에서 자동으로 코로나19를 진단하기 위한 딥러닝 프레임워크를 제안하며, 정확도가 99.60%에 이를 것으로 나타났다. 또한, 임상적 관련성과 일반화 능력을 향상시키기 위해 다른 질환 환자에서가 아니라 코로나19 의심 환자로부터 확보한 정상 CT 영상 3,163장을 포함하는 새로운 공개 데이터셋을 제시하였다.

ABSTRACT

The outbreak of the corona virus disease (COVID-19) has changed the lives of most people on Earth. Given the high prevalence of this disease, its correct diagnosis in order to quarantine patients is of the utmost importance in steps of fighting this pandemic. Among the various modalities used for diagnosis, medical imaging, especially computed tomography (CT) imaging, has been the focus of many previous studies due to its accuracy and availability. In addition, automation of diagnostic methods can be of great help to physicians. In this paper, a method based on pre-trained deep neural networks is presented, which, by taking advantage of a cyclic generative adversarial net (CycleGAN) model for data augmentation, has reached state-of-the-art performance for the task at hand, i.e., 99.60% accuracy. Also, in order to evaluate the method, a dataset containing 3163 images from 189 patients has been collected and labeled by physicians. Unlike prior datasets, normal data have been collected from people suspected of having COVID-19 disease and not from data from other diseases, and this database is made available publicly.

연구 동기 및 목표

• 의료진의 업무 부담과 진단 오류를 줄이기 위해 CT 영상 기반으로 자동화되고 정확한 코로나19 진단 시스템을 개발하는 것.
• 코로나19 CT 영상에서의 데이터 부족 문제를 해결하기 위해 CycleGAN을 활용한 효과적인 데이터 증강 기법을 적용하는 것.
• 최근 수집된 공개 데이터셋에서 다양한 사전 학습된 딥 네트워크, 특히 비전 트랜스포머(ViT)의 성능을 평가하는 것.
• 다른 폐 질환 환자에서가 아니라 코로나19 의심 환자로부터 확보한 정상 CT 영상 데이터를 사용하여 모델의 일반화 능력을 향상시키는 것.

제안 방법

• 세 명의 전문 방사선과의사가 참여하여 189명의 환자로부터 3,163장의 임상 CT 영상을 수집하고 레이블을 부여하였으며, 분석을 위해 정보가 풍부한 슬라이스를 선별하였다.
• 이미지 전처리 과정으로 모델 훈련 이전에 노이즈를 감소시키고 이미지 품질을 향상시키기 위해 가우시안 필터링을 적용하였다.
• 비지도 도메인 변환을 위해 CycleGAN을 활용하여 훈련 데이터를 증강하였으며, 코로나19 및 정상 클래스 모두에 대해 현실적인 합성 CT 영상을 생성하였다.
• DenseNet, ResNet, 비전 트랜스포머(ViT)를 포함한 여러 사전 학습된 딥 네트워크를 증강된 데이터셋에서 전이 학습을 통해 미세조정하였다.
• CycleGAN을 통한 데이터 증강은 특히 데이터가 적은 환경에서 모델의 일반화 능력과 강건성을 향상시켰다.
• 비전 트랜스포머(ViT)가 가장 높은 성능을 기록하여 이 작업에 있어 효과적인 것으로 입증되었다.

실험 결과

연구 질문

• RQ1 제한된 CT 영상 데이터에서 딥러닝 모델의 코로나19 진단 성능을 크게 향상시키기 위해 CycleGAN 기반의 데이터 증강이 유의미한 영향을 미칠 수 있는가?
• RQ2 ViT를 포함한 다양한 사전 학습된 딥 네트워크가 최근 수집된 공개 CT 데이터셋에서 코로나19 진단에 대해 어떻게 성능을 내는가?
• RQ3 다른 폐 질환 환자에서가 아니라 코로나19 의심 환자로부터 확보한 정상 CT 영상 데이터를 사용할 경우, 진단 모델의 임상적 관련성과 일반화 능력이 향상되는가?
• RQ4 사전 학습된 모델을 사용한 전이 학습과 CycleGAN 기반 데이터 증강을 조합했을 때 진단 정확도가 얼마나 향상되는가?
• RQ5 기존의 CNN 모델과 비교해 비전 트랜스포머(ViT) 기반 모델이 CT 영상에서 코로나19를 분류하는 데서 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 CT 영상에서의 코로나19 검출 작업에서 최신 기술 수준의 성능을 기록하며, 진단 정확도가 99.60%에 이를 것으로 나타났다.
• 비전 트랜스포머(ViT)가 ResNet과 DenseNet과 같은 다른 모델들을 능가하여 데이터셋에서 가장 높은 정확도 99.60%를 기록하였다.
• CycleGAN 기반의 데이터 증강은 평가된 모든 딥 네트워크에 대해 모델의 일반화 능력과 성능 향상에 유의미한 기여를 하였다.
• 최근 수집된 데이터셋은 코로나19 영상 1,766장과 정상 영상 1,397장을 포함하며, 공개적으로 배포되었으며, 정상 영상들은 다른 질환 환자에서가 아니라 코로나19 의심 환자로부터 유래되었다.
• 비의심 질환 환자에서가 아니라 의심 환자로부터 확보한 임상 데이터의 사용은 데이터셋의 임상적 관련성을 향상시키고, 모델 배포 시 도메인 이탈 문제를 감소시켰다.
• 본 연구는 ViT가 코로나19 CT 진단 맥락에서 의료 영상 분류에 매우 효과적일 수 있음을 입증하였으며, 이는 이 분야에서 이전에 보고되지 않은 성능 수준이다.