[논문 리뷰] Coronavirus Detection and Analysis on Chest CT with Deep Learning

Ophir Gozes, Maayan Frid-Adar외 4명|arXiv (Cornell University)|2020. 04. 06.

COVID-19 diagnosis using AI참고 문헌 7인용 수 104

한 줄 요약

이 논문은 2D 슬라이스 분류, Grad-CAM 기반 로컬라이제이션, 그리고 케이스별 심각도 추정을 위한 corona score를 사용하여 chest CT에서 COVID-19 표현을 탐지, 위치 지정 및 정량화하는 딥러닝 파이프라인을 제시하며, 중국 데이터세트에서 평가되었다.

ABSTRACT

The outbreak of the novel coronavirus, officially declared a global pandemic, has a severe impact on our daily lives. As of this writing there are approximately 197,188 confirmed cases of which 80,881 are in "Mainland China" with 7,949 deaths, a mortality rate of 3.4%. In order to support radiologists in this overwhelming challenge, we develop a deep learning based algorithm that can detect, localize and quantify severity of COVID-19 manifestation from chest CT scans. The algorithm is comprised of a pipeline of image processing algorithms which includes lung segmentation, 2D slice classification and fine grain localization. In order to further understand the manifestations of the disease, we perform unsupervised clustering of abnormal slices. We present our results on a dataset comprised of 110 confirmed COVID-19 patients from Zhejiang province, China.

연구 동기 및 목표

• 가볍고 약지도 학습된 딥런닝 시스템을 개발하여 chest CT 스캔에서 COVID-19 특징을 탐지한다.
• 비정상 흉부 조직을 위치 지정하고 정량적 질병 심각도 점수를 제공한다.
• 슬라이스 수준 결과를 모아 3D 로컬라이제이션 맵과 corona score로 케이스별 분석을 가능하게 한다.
• 무지도 학습 클러스터링을 통해 질병 패턴을 탐색한다.
• 가용 데이터셋을 활용하여 슬라이스 수준, 케이스 수준 탐지 및 심각도 추정을 검증한다.

제안 방법

• 사전 학습된 ImageNet 인코더를 가진 U-Net을 사용한 폐 영역 로컬라이제이션 및 ROI 추출.
• ImageNet에서 사전 학습된 2D ResNet-50 분류기를 사용하여 폐 ROI를 정상 vs 비정상(COVID-19)으로 라벨링.
• 다중 스케일 Grad-CAM을 사용하여 세밀한 로컬라이제이션 맵을 생성하고 이를 융합하여 3D corona score를 생성한다.
• 슬라이스 간 임계값을 초과하는 로컬라이즈된 활성화를 합산하여 체적 질병 범위 측정을 생성한다.
• Grad-CAM 가중치 특성 공간에서의 비지도 클러스터링(k-means)을 통해 질병 표현을 탐색한다.
• COVID-19 확진 사례가 있는 경우와 없는 경우를 포함한 개발 및 테스트 코호트를 대상으로 평가한다.

실험 결과

연구 질문

• RQ1 2D 슬라이스 기반 분류기가 chest CT에서 높은 AUC, 민감도, 특이도와 함께 COVID-19 표현을 탐지할 수 있는가?
• RQ2 다중 스케일 Grad-CAM 로컬라이제이션이 방사선 전문의를 지원하기 위한 정확한 세밀한 로컬라이제이션을 제공할 수 있는가?
• RQ3 체적 corona score가 케이스 수준의 질병 존재 여부 및 방사선 전문의 심각도 등급과 상관관계가 있는가?
• RQ4 Grad-CAM 가중치 특징에서 질병 표현(정상, 국소, 확산)에 대해 어떤 비지도 구조가 나타나는가?

주요 결과

• 슬라이스 수준 COVID-19 탐지는 AUC 0.994, 민감도 94%, 특이도 98%를 달성했다(임계값 0.5).
• Corona score는 COVID-19 대 비 COVID-19 사례 구분에서 AUC 0.948(95% CI: 0.912-0.985)를 나타냈다.
• corona score 분포가 심각한 사례와 비심각한 사례 간에 다르다(중간값: 61.5 cm3 대 227.5 cm3; p = 0.0064).
• 3D 로컬라이제이션 맵은 방사선 의사에게 질병 범위를 케이스별 시각화로 제공한다.
• 비지도 클러스터링은 Normal, Focal, Diffuse 표현에 대응하는 뚜렷한 그룹을 밝혔다.
• 본 방법은 약한 슬라이스 수준 주석과 Grad-CAM 가이드를 이용해 질병 패턴을 학습한다.