[논문 리뷰] Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks

Saddam Hussain Khan, Anabia Sohail외 2명|arXiv (Cornell University)|2020. 09. 16.

COVID-19 diagnosis using AI인용 수 7

한 줄 요약

이 논문은 폐 CT 영상을 사용하여 코로나19 감염을 분류하고 세분화하기 위한 이단계 딥러닝 프레임워크를 제안한다. 웨이블릿 강화 특징 추출, 분류를 위한 맞춤형 CNN(CoV-CTNet), 하이브리드 풀링과 주의 메커니즘을 통합한 새로운 세분화 모델(CoV-RASeg)을 활용하여 표준 데이터셋에서 MCC가 0.98이고 Dice 스코어가 0.95를 기록하였다.

ABSTRACT

COVID-19 is a global health problem. Consequently, early detection and analysis of the infection patterns are crucial for controlling infection spread as well as devising a treatment plan. This work proposes a two-stage deep Convolutional Neural Networks (CNNs) based framework for delineation of COVID-19 infected regions in Lung CT images. In the first stage, initially, COVID-19 specific CT image features are enhanced using a two-level discrete wavelet transformation. These enhanced CT images are then classified using the proposed custom-made deep CoV-CTNet. In the second stage, the CT images classified as infectious images are provided to the segmentation models for the identification and analysis of COVID-19 infectious regions. In this regard, we propose a novel semantic segmentation model CoV-RASeg, which systematically uses average and max pooling operations in the encoder and decoder blocks. This systematic utilization of max and average pooling operations helps the proposed CoV-RASeg in simultaneously learning both the boundaries and region homogeneity. Moreover, the idea of attention is incorporated to deal with mildly infected regions. The proposed two-stage framework is evaluated on a standard Lung CT image dataset, and its performance is compared with the existing deep CNN models. The performance of the proposed CoV-CTNet is evaluated using Mathew Correlation Coefficient (MCC) measure (0.98) and that of proposed CoV-RASeg using Dice Similarity (DS) score (0.95). The promising results on an unseen test set suggest that the proposed framework has the potential to help the radiologists in the identification and analysis of COVID-19 infected regions.

연구 동기 및 목표

• 폐 CT 영상에서 코로나19의 조기 검출 및 분석을 위한 자동화된 시스템을 개발하기 위해.
• 딥러닝을 활용하여 CT 영상을 감염 여부로 분류하는 정확도를 향상시키기 위해.
• 새로운 세분화 모델을 사용하여 폐 CT 영상에서 감염 영역을 정밀하게 묘사하기 위해.
• 주의 메커니즘을 통해 경미한 감염 영역 탐지에 도전 과제를 해결하기 위해.
• 표준 데이터셋에서 프레임워크를 검증하고 기존의 딥 컨volution 네트워크 모델과 성능을 비교하기 위해.

제안 방법

• 코로나19 특이적 특징을 강화하기 위해 이중 이산 웨이블릿 변환을 폐 CT 영상에 적용한다.
• CT 영상을 감염 또는 비감염으로 이진 분류하기 위한 맞춤형 딥 컨volution 네트워크 CoV-CTNet를 설계한다.
• 에코더 및 디코더 블록 전반에 걸쳐 평균 풀링과 최대 풀링을 통합한 새로운 세분화 모델 CoV-RASeg을 제안한다.
• CoV-RASeg에 주의 메커니즘을 통합하여 경미한 감염 영역 탐지 능력을 향상시킨다.
• 두 단계 파이프라인을 사용한다: 먼저 CoV-CTNet를 통해 분류를 수행하고, 그 다음 CoV-RASeg를 통해 양성 사례의 세분화를 수행한다.
• Mathew 상관 계수(MCC)와 Dice 유사도(DS)를 포함한 지표를 사용하여 표준 폐 CT 영상 데이터셋에서 프레임워크의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 웨이블릿 기반 강화가 코로나19 탐지에 적합한 폐 CT 영상의 구분 능력을 향상시키는가?
• RQ2 제안된 CoV-CTNet는 폐 CT 영상의 코로나19 양성 또는 음성 여부를 얼마나 효과적으로 분류하는가?
• RQ3 CoV-RASeg 모델은 경계 세부 사항과 영역 균일성을 유지하면서 CT 영상에서 감염 영역을 정확하게 세분화할 수 있는가?
• RQ4 주의 메커니즘의 통합이 경미한 감염 영역 탐지 능력 향상에 어느 정도 기여하는가?
• RQ5 제안된 두 단계 프레임워크는 기존의 딥 컨volution 네트워크 모델 대비 분류 및 세분화 성능에서 어떻게 비교되는가?

주요 결과

• 제안된 CoV-CTNet는 테스트 세트에서 Mathew 상관 계수(MCC) 0.98을 기록하여 강력한 분류 성능를 보였다.
• CoV-RASeg 세분화 모델은 Dice 유사도(DS) 스코어 0.95를 기록하여 감염 영역을 식별하는 데 높은 정확도를 보였다.
• CoV-RASeg에 평균 풀링과 최대 풀링을 통합함으로써 경계 탐지 및 영역 균일성 향상에 기여하였다.
• 주의 메커니즘이 경미한 감염 영역 탐지 능력 향상에 뚜렷한 기여를 하였으며, 이는 종종 세분화하기 어려운 영역이다.
• 두 단계 프레임워크는 표준 데이터셋에서 기존의 딥 컨볼루션 네트워크 모델보다 분류 및 세분화 작업에서 모두 뛰어난 성능을 보였다.
• 결과는 이 프레임워크가 임상 진단 및 코로나19 감염 분석에서 방사선의사의 도움이 될 잠재력을 지닌다는 것을 시사한다.