[논문 리뷰] COVID Detection in Chest CTs: Improving the Baseline on COV19-CT-DB

Radu Miron, Cosmin Moisii외 2명|arXiv (Cornell University)|2021. 07. 10.

COVID-19 diagnosis using AI참고 문헌 12인용 수 5

한 줄 요약

이 논문은 3D 볼륨 네트워크와 슬라이스별 분류 및 집계를 결합한 이중 접근법을 제안하여 COV19-CT-DB 검증 세트에서 매크로-F1 스코어 0.92를 달성하였으며, 기존 경쟁 기준인 0.70보다 뚜렷이 향상되었다. 노이즈가 있는 슬라이스 수준의 레이블이 자동 레이블링 절차에서 유도되었음에도 불구하고, 슬라이스 기반 방법이 가장 우수한 성능을 보였다. 특히 신경망 아키텍처 탐색(SharpDARTS)을 활용한 방법이 성능을 높였다.

ABSTRACT

The paper presents a comparative analysis of three distinct approaches based on deep learning for COVID-19 detection in chest CTs. The first approach is a volumetric one, involving 3D convolutions, while the other two approaches perform at first slice-wise classification and then aggregate the results at the volume level. The experiments are carried on the COV19-CT-DB dataset, with the aim of addressing the challenge raised by the MIA-COV19D Competition within ICCV 2021. Our best results on the validation subset reach a macro-F1 score of 0.92, which improves considerably the baseline score of 0.70 set by the organizers.

연구 동기 및 목표

• MIA-COV19D 경쟁 조직자가 COV19-CT-DB 데이터셋에 대해 설정한 기준 매크로-F1 스코어 0.70을 향상시키기 위해.
• 3가지 딥러닝 접근법을 평가하고 비교하기 위해: 3D 볼륨 기반 방법과 두 가지 다른 집계 전략을 사용한 슬라이스 기반 방법.
• 자동화된 레이블링 절차에서 유도된 노이즈가 있는 슬라이스 수준의 레이블이 성능에 미치는 영향을 조사하기 위해.
• 신경망 아키텍처 탐색(SharpDARTS)이 슬라이스 수준 분류에 최적의 2D 컨볼루션 아키텍처를 학습하는 데 얼마나 효과적인지 탐색하기 위해.
• 임상적 병변 위치 규명을 지원하기 위해 폐 병변을 식별할 수 있는 실용적이고 해석 가능한 방법을 제공하기 위해.

제안 방법

• 3D 컨volution 신경망이 전체 CT 볼륨을 직접 처리하며, 축 방향 슬라이스 간의 공간적 맥락을 3D 컨볼루션을 통해 포착한다.
• 두 가지 슬라이스 기반 접근법을 사용한다: 하나는 수작업으로 설계한 3개 슬라이스의 미니 볼륨을 사용하고 로지스틱 회귀 또는 MLP를 통해 집계하는 방법이며, 다른 하나는 SharpDARTS를 활용해 최적의 2D CNN 아키텍처를 탐색하는 방법이다.
• 슬라이스 수준의 레이블은 간단한 방법(모든 COVID-CT 슬라이스를 양성으로 레이블링)과 사전 훈련된 결핵 검출 모델을 사용해 영향을 받을 만한 슬라이스를 식별하는 보완된 방법을 통해 생성된다.
• 최종 CT 수준의 예측은 슬라이스 수준의 예측에 대해 다수결 규칙을 적용하여 전체 클래스를 결정함으로써 이루어진다.
• SharpDARTS 알고리즘은 1일 동안 아키텍처 탐색을 수행하여 61.3 MMAC의 컴act한 모델을 도출하였으며, 300 에포크 동안 훈련되었다.
• 개별 슬라이스에 대해 데이터 증강 및 정규화를 적용하였으며, 강도 클리핑을 350 HU 윈도/레벨로 설정하고 볼륨 단위로 [0,1]로 정규화하였다.

실험 결과

연구 질문

• RQ1 COV19-CT-DB 데이터셋에서 흉부 CT에서 코로나19를 분류하는 데 있어 3D 볼륨 기반 딥러닝 모델이 슬라이스 기반 접근법을 능가할 수 있는가?
• RQ2 동일한 레이블이 부여된 슬라이스를 사용할 때, 서로 다른 집계 전략(로지스틱 회귀, MLP, 또는 신경망 아키텍처 탐색)을 사용한 슬라이스 기반 분류 방법의 성능는 어떻게 달라지는가?
• RQ3 비정상적인 슬라이스 수준의 레이블(비-코로나19 레이블링이 적용된 CT에서 유도된 자동화된 레이블링)이 최종 분류 성능에 얼마나 큰 영향을 미치는가?
• RQ4 신경망 아키텍처 탐색(SharpDARTS)을 통해 슬라이스 수준 분류에 효과적인 2D CNN 아키텍처를 발견할 수 있는가? 이는 전체 CT 볼륨으로 일반화될 수 있는가?
• RQ5 슬라이스 기반 분류를 통해 병변 국소화 정보를 포함함으로써 임상적 해석 가능성은 향상되었는가? 성능의 약간의 희생이 수반되더라도 그렇다면?

주요 결과

• 볼륨 기반 접근법은 훈련 세트에서 매크로-F1 스코어 0.96, 검증 세트에서 0.92를 기록하여 기준 0.70보다 뚜렷이 뛰어났다.
• SharpDARTS를 사용한 슬라이스 기반 접근법은 비록 관련 없는 결핵 검출 모델에서 유도된 노이즈가 있는 슬라이스 수준 레이블을 기반으로 훈련되었지만, 검증 세트에서 매크로-F1 스코어 0.74를 달성하였다.
• 미니 볼륨과 MLP를 사용한 슬라이스 기반 방법은 훈련 세트에서 매크로-F1 스코어 0.97, 검증 세트에서 0.84를 기록하여 적절한 집계 전략을 통해 강력한 일반화 능력을 보였다.
• 가장 우수한 성능을 보인 슬라이스 기반 방법은 SharpDARTS를 통해 단 1일 간의 탐색으로 61.3 MMAC의 컴act한 아키텍처를 발견하여 효율성과 효과성을 입증하였다.
• 연구는 슬라이스 기반 방법이 3D 볼륨 기반 모델보다 정확도는 낮지만, 폐 내 잠재적 병변을 국소화함으로써 더 뛰어난 해석 가능성을 제공함을 확인하였다.
• 자동 레이블링으로 인한 노이즈가 있음에도 불구하고, 최고의 슬라이스 기반 방법은 여전히 검증 세트에서 매크로-F1 스코어 0.74를 기록하여 레이블 오류에 강건함을 입증하였다.