[논문 리뷰] COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images

Hossein Aboutalebi, Saad Abbasi외 2명|arXiv (Cornell University)|2021. 05. 04.

COVID-19 diagnosis using AI참고 문헌 18인용 수 7

한 줄 요약

이 논문은 흉부 CT 영상 부피를 이용해 코로나19 폐 질환의 중증도를 평가하기 위해 설계된 3D 합성곱 신경망(COVID-Net CT-S)의 세트를 소개한다. 3D 잔차 아키텍처를 활용해 부피 특징을 캡처함으로써, 모델은 2D 대비 19.5% 높은 78.5%의 정확도를 달성하였으며, 이는 3D 합성이 2D 방법보다 중증도 관련 패턴을 더 잘 포착함을 보여준다.

ABSTRACT

The health and socioeconomic difficulties caused by the COVID-19 pandemic continues to cause enormous tensions around the world. In particular, this extraordinary surge in the number of cases has put considerable strain on health care systems around the world. A critical step in the treatment and management of COVID-19 positive patients is severity assessment, which is challenging even for expert radiologists given the subtleties at different stages of lung disease severity. Motivated by this challenge, we introduce COVID-Net CT-S, a suite of deep convolutional neural networks for predicting lung disease severity due to COVID-19 infection. More specifically, a 3D residual architecture design is leveraged to learn volumetric visual indicators characterizing the degree of COVID-19 lung disease severity. Experimental results using the patient cohort collected by the China National Center for Bioinformation (CNCB) showed that the proposed COVID-Net CT-S networks, by leveraging volumetric features, can achieve significantly improved severity assessment performance when compared to traditional severity assessment networks that learn and leverage 2D visual features to characterize COVID-19 severity.

연구 동기 및 목표

• 미세한 질환 진행으로 인해 전문 방사선의사가 어려움을 겪는 임상 환경에서 정확하고 일관된 코로나19 중증도 평가를 해결하기 위해.
• 개별 CT 슬라이스를 별도로 분석하는 2D 합성곱 신경망의 한계를 극복하여 폐 병변에서 중요한 3D 구조적 맥락을 놓치지 않기 위해.
• 부피적 CT 데이터에 특화된 딥 러닝 프레임워크를 개발하여 코로나19 환자에서 중증도 수준(낮음, 보통, 높음)을 예측하는 데 향상시키기 위해.
• 스캔 프로토콜과 환자 인구 통계의 높은 다양성이 있는 불균형 데이터셋에서 모델 일반화 및 학습 안정성을 향상시키기 위해.
• 3D 합성이 2D 방법보다 질병 중증도와 관련된 공간적으로 일관된 특징을 더 잘 학습할 수 있음을 입증하기 위해.

제안 방법

• 전체 CT 스캔 부피에서 부피 특징을 학습하기 위해 3D 잔차 신경망 아키텍처(COVID-Net CT-S)를 제안하여 폐 이상에서 3D 공간적 의존성을 캡처한다.
• 중증도 수준(낮음, 보통, 높음) 간 클래스 불균형을 완화하기 위해 균일한 배치 샘플링 전략을 구현하여 학습 안정성과 수렴성을 향상시켰다.
• 모든 네트워크 변형에 걸쳐 드롭아웃 정규화를 적용하여 과적합을 줄이고, 특히 제한된 이질적 데이터에서 일반화 능력을 향상시켰다.
• 신체 영역 자르기 및 테이블 아티팩트 완화 기법을 이전 연구에서 유래한 바를 적용하여 해부학적 맥락을 유지하면서 노이즈를 줄였다.
• 다양한 3D 네트워크 변형(예: CT-S50, CT-S100, CT-S152)을 학습하고 평가하며, 슬라이스 수준 예측과 다수결 투표를 사용하는 2D 잔차 네트워크(CT-S50)와 성능을 비교하였다.
• 세 가지 중증도 그룹화를 사용: 임상적 관련성과 치료 영향을 고려해 낮음(1–2), 보통(3), 높음(4–6)

실험 결과

연구 질문

• RQ1 3D 합성곱 신경망은 전통적인 2D 네트워크보다 흉부 CT 부피에서 코로나19 중증도를 분류하는 데에서 더 우수한 성능을 보일 수 있는가?
• RQ2 부피 특징을 사용할 경우, 2D 슬라이스 수준 분석에 비해 미세하고 공간적으로 분포된 폐 이상을 어떻게 더 잘 탐지할 수 있는가?
• RQ3 특히 균일한 배치 샘플링과 드롭아웃을 포함한 맞춤형 학습 루틴이 불균형이고 다중 센터 CT 데이터셋에서 모델 성능을 얼마나 향상시키는가?
• RQ4 2D 모델에 비해 3D 아키텍처가 다양한 스캔 프로토콜과 환자 인구 통계에 걸쳐 더 잘 일반화되는가?
• RQ5 제한된 노이즈가 많은 임상 CT 데이터에서 중증도 평가를 위한 3D 네트워크의 최적의 깊이와 아키텍처 구성은 무엇인가?

주요 결과

• COVID-Net CT-S는 CNCB 데이터셋에서 78.5%의 정확도를 기록하여 2D CT-S50 기준선(59.0%)보다 19.5% 향상되었다.
• 152층의 3D 변형과 드롭아웃을 적용한 COVID-Net CT-S152가 가장 높은 성능을 보였으며, 깊이를 동일하게 한 경우 2D 모델 대비 13% 높은 성능을 기록했다.
• 혼동 행렬 분석 결과, 고중증도 사례에서 72%의 정확도, 중간 수준에서 79%, 저중증도에서 85%의 정확도를 기록하여 모든 수준에서 강력한 예측 성능을 보였다.
• 균일한 배치 샘플링의 사용은 불균형한 중증도 분포에서 학습 수렴성과 모델 일반화 능력을 크게 향상시켰다.
• 드롭아웃 정규화는 정확도를 10% 향상시켜 제한된 이질적 데이터에서 과적합 방지를 위한 중요성을 입증했다.
• 결과는 3D 합성이 질병 중증도와 관련된 부피 특징을 효과적으로 캡처하여 2D 방법이 슬라이스 수준 집계에 의존하는 것보다 우수함을 확인한다.