[논문 리뷰] Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets

Robert Turnbull|arXiv (Cornell University)|2022. 07. 05.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

Cov3d는 COV19-CT-DB 데이터셋을 사용하여 흉부 CT 영상에서 코로나19의 유무와 중증도를 감지하기 위해 3D ResNet 기반의 딥러닝 모델을 제안한다. 유무 감지에 대해 매크로 F1 스코어 0.9476, 중증도 분류에 대해 0.7552를 기록하여 MIA-COV19D 2022 경쟁 대안을 능가한다.

ABSTRACT

Deep learning has been used to assist in the analysis of medical imaging. One such use is the classification of Computed Tomography (CT) scans when detecting for COVID-19 in subjects. This paper presents Cov3d, a three dimensional convolutional neural network for detecting the presence and severity of COVID19 from chest CT scans. Trained on the COV19-CT-DB dataset with human expert annotations, it achieves a macro f1 score of 0.9476 on the validation set for the task of detecting the presence of COVID19. For the task of classifying the severity of COVID19, it achieves a macro f1 score of 0.7552. Both results improve on the baseline results of the `AI-enabled Medical Image Analysis Workshop and Covid-19 Diagnosis Competition' (MIA-COV19D) in 2022.

연구 동기 및 목표

• 흉부 CT 영상에서 코로나19의 유무와 중증도를 감지할 수 있는 딥러닝 모델을 개발하는 것.
• CT 영상에서 이중 분류 작업에 초점을 맞춘 MIA-COV19D 2022 경쟁 대안의 성능을 향상시키는 것.
• 체질적 CT 데이터의 축방향, 사선, coronal 평면에서의 공간적 맥락을 포착하기 위해 3D 컨volution 신경망을 활용하는 것.
• 표준화된 전처리 및 데이터 증강을 통해 변동성이 큰 CT 스캔의 깊이와 해상도 문제를 해결하는 것.
• 감지 정확도를 우선시하면서도 중증도 분류 성능를 유지하기 위해 가중치가 부여된 다중 작업 손실 함수를 사용하여 모델 성능을 최적화하는 것.

제안 방법

• Cov3d는 비디오 사전학습 모델에서 유도된 3D ResNet-18 아키텍처를 사용하여 부피형 CT 데이터를 처리한다.
• 입력 CT 스캔은 이중선형 보간을 통해 128², 256², 또는 320² 픽셀로 크기 조정된 후, 너비/높이와 일치시키기 위해 1D 삼차 보간을 사용하여 깊이를 재샘플링한다.
• 모델은 감지 및 중증도 분류에 대해 교차 엔트로피를 조합한 커스터마이즈된 손실 함수를 사용하여 훈련되며, 두 작업을 균형 잡기 위해 하이퍼파rameter λ를 사용한다.
• 데이터 증강에는 훈련 중 무작위 사선 플립이 포함되며, 테스트 시간 추론에서는 원본 및 플립된 입력의 예측을 평균화한다.
• 정규화를 위해 10⁻⁵의 웨이트 디케이와 코즈인 애너일링을 사용한 Adam 최적화 기법을 적용하여 일반화 성능을 향상시킨다.
• 각 작업의 검증 세트에서 확보한 최고의 매크로 F1 스코어에 기반하여 모델 가중치를 저장한다.

실험 결과

연구 질문

• RQ1 3D 컨volution 신경망은 높은 정확도로 흉부 CT 영상에서 코로나19의 존재를 효과적으로 감지할 수 있는가?
• RQ2 단일 딥러닝 모델이 CT 영상에서 코로나19의 유무와 중증도를 동시에 예측할 수 있는 정도는 어느 정도인가?
• RQ3 다양한 깊이와 해상도를 가진 CT 스캔을 표준화된 전처리를 통해 처리할 경우 모델 성능와 훈련 안정성에 어떤 영향을 미치는가?
• RQ4 손실 가중치 및 데이터 증강과 같은 하이퍼파rameter 설정은 의료 영상에서 이중 작업 분류에 최적의 성능을 내는 데 어떤 영향을 미치는가?
• RQ5 비디오 데이터에서 사전학습된 3D ResNet 아키텍처가 CT 영상에서 폐 이상을 진단하는 데 효과적으로 전이 가능한가?

주요 결과

• Cov3d는 검증 세트에서 코로나19 유무 감지에 대해 매크로 F1 스코어 0.9476을 기록하여 MIA-COV19D 2022 경쟁 대안을 크게 뛰어넘었다.
• 중증도 분류에 대해 모델은 매크로 F1 스코어 0.7552를 기록하였으며, 이는 MIA-COV19D 2022 경쟁 대안의 0.63을 초월한 성과이다.
• 유감 감지에 가장 높은 성능을 보인 모델은 감지 작업에 더 중시하는 λ=0.1을 사용한 160×320×320 해상도를 사용하였다.
• 중증도 분류 성능이 가장 뛰어난 모델은 λ=0.9로 중증도 손실에 더 큰 강조를 두어 그 성능이 향상된 것으로 나타났다.
• 각 작업의 네 개의 최고 성능 모델을 조합하여 앙상블 추론을 계획하여, 모델 평균화를 통한 더 높은 견고성 확보를 기대하였다.
• 모델는 다양한 하이퍼파rameter 설정에서 일관된 성능을 보이며 강력한 일반화 능력을 입증하였으며, 훈련 및 추론 과정에서의 안정성을 시사하였다.