[논문 리뷰] Comparative performance analysis of the ResNet backbones of Mask RCNN to segment the signs of COVID-19 in chest CT scans

Muhammad Aleem, Rahul Raj외 1명|arXiv (Cornell University)|2020. 08. 21.

COVID-19 diagnosis using AI참고 문헌 12인용 수 7

한 줄 요약

이 연구는 흉부 CT 영상에서 코로나19 폐 병변을 분할하기 위해 ResNet50 및 ResNet101 백본을 사용한 Mask R-CNN을 평가하며, ResNet101 백본을 사용할 경우 F1 스코어 0.85를 기록하고 평균 추론 시간은 9.04초를 기록하였다. 모델은 질병의 중증도를 '경미한' 또는 '경계할 만한'으로 분류하며, 실시간 임상 사용을 위해 Google 클라우드 플랫폼에 배포되었다.

ABSTRACT

COVID-19 has been detrimental in terms of the number of fatalities and rising number of critical patients across the world. According to the UNDP (United National Development Programme) Socio-Economic programme, aimed at the COVID-19 crisis, the pandemic is far more than a health crisis: it is affecting societies and economies at their core. There has been greater developments recently in the chest X-ray-based imaging technique as part of the COVID-19 diagnosis especially using Convolution Neural Networks (CNN) for recognising and classifying images. However, given the limitation of supervised labelled imaging data, the classification and predictive risk modelling of medical diagnosis tend to compromise. This paper aims to identify and monitor the effects of COVID-19 on the human lungs by employing Deep Neural Networks on axial CT (Chest Computed Tomography) scan of lungs. We have adopted Mask RCNN, with ResNet50 and ResNet101 as its backbone, to segment the regions, affected by COVID-19 coronavirus. Using the regions of human lungs, where symptoms have manifested, the model classifies condition of the patient as either "Mild" or "Alarming". Moreover, the model is deployed on the Google Cloud Platform (GCP) to simulate the online usage of the model for performance evaluation and accuracy improvement. The ResNet101 backbone model produces an F1 score of 0.85 and faster prediction scores with an average time of 9.04 seconds per inference.

연구 동기 및 목표

• 흉부 CT 영상을 이용한 코로나19의 조기 진단 및 중증도 분류를 위한 AI 기반 도구 개발
• Mask R-CNN 내에서 ResNet50 및 ResNet101 백본의 성능을 비교하여 코로나19 관련 폐 병변을 분할하는 데 목표
• 실시간 임상 추론 및 분류 지원을 위한 기능적 프로토타입을 Google 클라우드 플랫폼에 배포
• 정확한 분할 및 분류를 위해 딥러닝을 활용하여 제한된 레이블이 부여된 의료 영상 데이터에 도전
• 원격 또는 자원이 부족한 지역의 의료 제공자들이 더 빠르고 AI 지원 진단을 가능하게 하여 지원

제안 방법

• Axial 흉부 CT 영상에서 관심 영역을 탐지하고 분할하기 위해 ResNet50 및 ResNet101을 특징 추출기로 사용한 Mask R-CNN 사용
• 모델은 코로나19에 의해 영향을 받은 폐 영역에 대한 바운딩 박스와 분할 마스크를 출력하며, 중증도를 '경미한' 또는 '경계할 만한'으로 분류
• RESTful API와 Flask 백엔드를 갖춘 커스터마이징된 SaaS 애플리케이션을 사용해 Google 클라우드 플랫폼(GCP)에서 추론 수행
• React 기반 프론트엔드와 Material UI를 사용해 임상의가 환자 기록에 접근하고 예측 결과를 확인하며 실시간 대시보드를 통해 질병 진행 상황을 모니터링할 수 있도록 지원
• 환자 데이터 및 CT 영상가 암호화된 형식으로 Google 클라우드 스토리지에 저장되며, JSON 웹 토큰(JWT)을 통한 역할 기반 접근 제어 구현
• GCP에서 자동 리소스 스케일링과 로드 밸런싱을 통해 보안성, 확장성, 실시간 추론을 지원하는 시스템

실험 결과

연구 질문

• RQ1 Mask R-CNN를 사용할 때 ResNet50 및 ResNet101 백본은 흉부 CT 영상에서 코로나19 폐 병변을 어떻게 비교하여 분할하는가?
• RQ2 제안된 모델의 추론 속도와 경증 대비 경계할 만한 코로나19 병변을 탐지하는 분류 정확도는 무엇인가?
• RQ3 클라우드에 배포된 AI 시스템은 의료 환경에서 실시간 임상 분류 및 질병 진행 상황 모니터링을 효과적으로 지원할 수 있는가?
• RQ4 F1 스코어와 추론 시간 측면에서 다양한 백본 아키텍처에서 모델의 성능은 어떻게 변화하는가?
• RQ5 반복적인 임상의 피드백은 영역 탐지 정밀도 향상과 모델 일반화 능력 향상에 어떤 역할을 하는가?

주요 결과

• ResNet101 백본은 코로나19 관련 폐 병변 분할에서 ResNet50를 능가하여 F1 스코어 0.85를 기록하였다.
• ResNet101 모델은 평균 9.04초의 빠른 추론 시간을 보이며 더 빠른 성능을 보였다.
• Google 클라우드 플랫폼에 성공적으로 배포된 시스템은 실시간 추론, 보안성 높은 데이터 처리, 역할 기반 접근 제어를 지원한다.
• 환자 CT 영상 및 추론 결과는 고유한 암호화된 URL을 통해 권한이 있는 사용자에게만 액세스 가능한 Google 클라우드 스토리지에 안전하게 저장된다.
• 대시보드를 통해 실시간 분석 그래프를 통해 질병 진행 상황을 모니터링하고 환자 기록을 효율적으로 관리할 수 있다.
• 모델은 진단 지연을 줄이고 분류를 지원하기 위해 자원이 부족한 환경에서의 배포 가능성을 보여주며 잠재적인 응용 가능성을 보인다.