[논문 리뷰] COVID-CT-Dataset: A CT Scan Dataset about COVID-19

Yang, Xingyi, Xuehai He외 4명|arXiv (Cornell University)|2020. 03. 30.

COVID-19 diagnosis using AI참고 문헌 21인용 수 728

한 줄 요약

이 논문은 COVID-CT를 COVID-19용 오픈 소스 CT 이미지 데이터세트로 제시하고, 다중 작업 학습과 대조적 자기 지도 학습을 사용하여 CT 기반 진단 모델의 임상적으로 유용한 성능을 달성하는 데 데이터의 유용성을 보여줍니다.

ABSTRACT

During the outbreak time of COVID-19, computed tomography (CT) is a useful manner for diagnosing COVID-19 patients. Due to privacy issues, publicly available COVID-19 CT datasets are highly difficult to obtain, which hinders the research and development of AI-powered diagnosis methods of COVID-19 based on CTs. To address this issue, we build an open-sourced dataset -- COVID-CT, which contains 349 COVID-19 CT images from 216 patients and 463 non-COVID-19 CTs. The utility of this dataset is confirmed by a senior radiologist who has been diagnosing and treating COVID-19 patients since the outbreak of this pandemic. We also perform experimental studies which further demonstrate that this dataset is useful for developing AI-based diagnosis models of COVID-19. Using this dataset, we develop diagnosis methods based on multi-task learning and self-supervised learning, that achieve an F1 of 0.90, an AUC of 0.98, and an accuracy of 0.89. According to the senior radiologist, models with such performance are good enough for clinical usage. The data and code are available at https://github.com/UCSD-AI4H/COVID-CT

연구 동기 및 목표

• 공개 데이터세트를 제공함으로써 CT를 통한 AI 기반 COVID-19 진단을 동기 부여하고 가능하게 한다.
• 논문에서 추출한 COVID-19 CT 이미지가 CT 기반 분류기를 효과적으로 학습시킬 수 있는지 평가한다.
• 마스킹 기반 가이드 및 자기지도 표현을 사용하여 진단 정확도를 개선하는 방법을 개발한다.
• 결과 모델의 임상적 유용성을 방사선 전문의와 함께 검증한다.
• 논문에서 추출한 데이터와 원본 CT 이미지를 이용한 훈련의 데이터 품질 영향력을 이해하기 위해 비교한다

제안 방법

• 논문 그림 및 동반 캡션에서 COVID-19 양성 CT를 수집하고 훈련용으로 공개 소스에서 음성 CT를 모은다.
• ImageNet으로 사전 학습된 DenseNet-169와 ResNet-50을 미세 조정하여 분류기를 평가한다.
• COVID-CT-349(논문에서 추출)와 COVID-Seg(원본), COVID-CT-118(부분집합) 간의 학습 데이터 품질 효과를 비교한다.
• 폐 마스크와 병변 마스크를 다중 작업 학습에 도입하여 관련 영역에 주의를 가이드한다.
• 표면적 학습 전에 표현을 사전 학습하기 위해 대조적 자기 지도 학습(CSSL)을 적용한다.
• 구성은 다중 작업 학습(폐/병변 마스크) 및 CSSL 사전 학습을 포함하며, 정확도, F1, AUC를 보고한다

실험 결과

연구 질문

• RQ1 논문에서 추출된 CT 이미지가 원본 CT에 비해 COVID-19 CT 진단 모델의 학습에 유용할 수 있는가?
• RQ2 양성 COVID-19 CT 데이터의 양을 늘리면 진단 성능이 실질적으로 향상되는가?
• RQ3 폐 및 병변 마스크를 도입하면 CT 이미지에서 COVID-19 탐지 모델의 성능이 향상되는가?
• RQ4 대조적 자기 지도 사전 학습이 표준 전달 학습을 넘어서 COVID-19 CT 진단 성능을 향상시키는가?
• RQ5 최종 모델의 성능이 시니어 방사선 전문의에 의해 임상적으로 유용한가?

주요 결과

• COVID-CT-349(논문에서 추출된 이미지)는 COVID-Seg(원본 이미지)보다 두 네트워크 모두에서 상당히 우수한 성능을 보인다.
• 양성 학습 데이터가 118에서 349로 증가하면 정확도, F1, AUC가 크게 향상된다.
• 폐 마스크와 병변 마스크 모두 성능을 향상시키며, 두 마스크를 함께 사용하면 최상의 결과를 얻는다.
• 대조적 자기지도 학습(CSSL)과 전달 학습(TL)을 결합한 방식이 TL 단독 및 임의 초기화보다 우수하다.
• 결합 데이터 세트에서 CSSL+TL은 F1=0.89–0.90, AUC=0.98, 정확도=0.89를 달성하며, 시니어 방사선 전문의에 의해 임상적으로 유용하다고 평가된다.