[논문 리뷰] Deep learning to estimate the physical proportion of infected region of lung for COVID-19 pneumonia with CT image set

Wei Wu, Yu Shi외 6명|arXiv (Cornell University)|2020. 06. 09.

COVID-19 diagnosis using AI참고 문헌 7인용 수 5

한 줄 요약

이 연구는 CT 영상에서 코로나19에 의해 감염된 폐의 물리적 비율을 추정하기 위해 2.5D UNet을 사용하는 딥러닝 프레임워크를 제안한다. 허니필드 값 기반 초기화와 방사선의사가 검증한 마스크를 결합함으로써, 감염 부위에 대해 딱딱한 점수(Dice score) 0.757과 실제 값과의 피어슨 상관계수 0.961을 달성하여 질병의 중증도를 정량적으로 정확하게 평가할 수 있게 한다.

ABSTRACT

Utilizing computed tomography (CT) images to quickly estimate the severity of cases with COVID-19 is one of the most straightforward and efficacious methods. Two tasks were studied in this present paper. One was to segment the mask of intact lung in case of pneumonia. Another was to generate the masks of regions infected by COVID-19. The masks of these two parts of images then were converted to corresponding volumes to calculate the physical proportion of infected region of lung. A total of 129 CT image set were herein collected and studied. The intrinsic Hounsfiled value of CT images was firstly utilized to generate the initial dirty version of labeled masks both for intact lung and infected regions. Then, the samples were carefully adjusted and improved by two professional radiologists to generate the final training set and test benchmark. Two deep learning models were evaluated: UNet and 2.5D UNet. For the segment of infected regions, a deep learning based classifier was followed to remove unrelated blur-edged regions that were wrongly segmented out such as air tube and blood vessel tissue etc. For the segmented masks of intact lung and infected regions, the best method could achieve 0.972 and 0.757 measure in mean Dice similarity coefficient on our test benchmark. As the overall proportion of infected region of lung, the final result showed 0.961 (Pearson's correlation coefficient) and 11.7% (mean absolute percent error). The instant proportion of infected regions of lung could be used as a visual evidence to assist clinical physician to determine the severity of the case. Furthermore, a quantified report of infected regions can help predict the prognosis for COVID-19 cases which were scanned periodically within the treatment cycle.

연구 동기 및 목표

• 코로나19 CT 영상에서 건강한 폐 부위와 감염된 폐 부위를 자동으로 분할하는 딥러닝 방법을 개발하기 위해.
• 임상적 중증도 평가를 위해 감염된 폐 조직의 물리적 부피 비율을 추정하기 위해.
• 허니필드 값 사전 지식과 전문가가 검증한 진정값을 결합하여 분할 정확도를 향상시키기 위해.
• 치료 중 질병 진행 상황을 모니터링하기 위한 정량적이고 재현 가능한 지표를 생성하기 위해.

제안 방법

• CT 영상의 내재된 허니필드 유닛(HU) 값에 기반하여 건강한 폐 부위와 감염된 폐 부위의 초기 분할 마스크를 생성하였다.
• 두 단계로 이루어진 정밀 조정 과정을 적용: 첫째, HU 기반 임계값 설정을 통해 초기 더러운 마스크 생성; 둘째, 방사선의사가 이를 수동으로 수정하여 고품질의 훈련 및 테스트 세트를 확보.
• 표준 UNet과 2.5D UNet이라는 두 가지 딥러닝 모델을 사용하여 건강한 폐 부위와 감염된 폐 부위의 분할을 향상시켰다.
• 감염 부위 예측에서 기도나 혈관과 같은 가짜 양성 결과를 제거하기 위해 후처리 분류기를 적용하였다.
• 최종적으로, 분할된 마스크를 3차원 부피로 변환하여 물리적 비율 추정을 가능하게 하였다.
• 모델 성능 평가에는 방사선의사가 검증한 진정값과의 딱딱한 유사도 계수와 피어슨 상관계수를 사용하였다.

실험 결과

연구 질문

• RQ1 허니필드 값 기반 초기화와 전문가가 검증한 데이터를 사용하여 딥러닝 모델이 코로나19 CT 영상에서 건강한 폐 부위와 감염된 폐 부위를 정확하게 분할할 수 있는가?
• RQ2 표준 UNet에 비해 2.5D UNet 아키텍처가 CT 영상에서 감염된 폐 부위를 분할하는 데 어떤 차이를 보이는가?
• RQ3 예측된 감염 부위 부피가 실제 폐 침범 비율과 얼마나 높은 상관관계를 가지는가?
• RQ4 이 프레임워크는 임상적 모니터링과 예후 예측을 위해 신뢰할 수 있고 정량적인 감염 부담 보고서를 생성할 수 있는가?

주요 결과

• 테스트 세트에서 건강한 폐 분할에 대해 평균 딱딱한 유사도 계수는 0.972를 기록하였다.
• 감염된 폐 부위 분할에 대해 최고의 모델은 딱딱한 점수 0.757를 달성하였다.
• 예측된 감염 부위 부피는 실제 물리적 비율과 피어슨 상관계수 0.961을 보였다.
• 감염 부위 부피 비율을 추정할 때 평균 절대 퍼센트 오차는 11.7%였다.
• 전용 후처리 분류기를 통해 기도나 혈관과 같은 구조물에서 유래한 가짜 양성 결과를 성공적으로 감소시켰다.
• 최종적으로 도출된 물리적 비율 추정치는 질병 중증도 평가 및 치료 반응 추적에 신뢰할 수 있고 정량적인 지표를 제공한다.