[논문 리뷰] Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images

Ahmad Chaddad, Lama Hassan외 1명|PubMed|2022. 06. 04.

COVID-19 diagnosis using AI인용 수 8

한 줄 요약

이 논문은 깊이 있는 방사성학적 방법인 GMM-CNN을 제안하며, 흉부 CT 및 X-ray 영상에서 코로나19를 진단하기 위해 합성곱 신경망(CNN)의 특징 분포를 가우시안 혼합 모델(GMM)을 사용해 모델링한다. CNN 특징을 GMM로 인코딩하고 이를 랜덤 포레스트 분류기로 처리함으로써 97.00%의 정확도와 99.45%의 AUC를 달성하여, 표준 CNN 분류보다 유의미하게 뛰어나며(p < 0.05), 과적합 문제를 효과적으로 완화한다.

ABSTRACT

This article proposes to encode the distribution of features learned from a convolutional neural network (CNN) using a Gaussian mixture model (GMM). These parametric features, called GMM-CNN, are derived from chest computed tomography (CT) and X-ray scans of patients with coronavirus disease 2019 (COVID-19). We use the proposed GMM-CNN features as input to a robust classifier based on random forests (RFs) to differentiate between COVID-19 and other pneumonia cases. Our experiments assess the advantage of GMM-CNN features compared with standard CNN classification on test images. Using an RF classifier (80% samples for training; 20% samples for testing), GMM-CNN features encoded with two mixture components provided a significantly better performance than standard CNN classification ( ). Specifically, our method achieved an accuracy in the range of 96.00%-96.70% and an area under the receiver operator characteristic (ROC) curve in the range of 99.29%-99.45%, with the best performance obtained by combining GMM-CNN features from both CT and X-ray images. Our results suggest that the proposed GMM-CNN features could improve the prediction of COVID-19 in chest CT and X-ray scans.

연구 동기 및 목표

• 라벨이 부족한 의료 영상에 대한 딥러닝 모델에서의 과적합 문제를 해결하기 위해.
• 흉부 CT 및 X-ray 스캔에서 코로나19와 다른 바이러스성 폐렴을 구분하기 위한 CNN 기반 분류의 일반화 및 내성 강화를 위해.
• 가우시안 혼합 모델(GMM)을 사용해 CNN 특징의 분포를 모델링하여 압축된, 특징적인 방사성학 기술자(Descriptor)를 개발하기 위해.
• 강력한 분류기를 사용해 CT 및 X-ray 영상 모odalities의 특징을 융합하여 진단 성능을 향상시키기 위해.
• 제한된 의료 데이터셋에서 과적합을 줄이고 일반화 능력을 향상시키는 AI 보조 코로나19 진단의 최신 기법을 구축하기 위해.

제안 방법

• 코로나19 유무 환자의 흉부 CT 및 X-ray 영상에 적용된 사전 학습된 CNN(DarkNet 및 ResNet)에서 특징을 추출한다.
• 각 CNN 활성화 맵의 특징 분포를 k 성분(GMM)을 사용해 모델링하며(k=2 또는 3), 압축된 매개변수 기반 기술자로 결과를 도출한다.
• GMM의 매개변수(평균, 공분산, 혼합 가중치)를 사용해 깊이 있는 특징의 통계적 분포를 표현하는 방사성학 기술자로 활용한다.
• GMM로 인코딩된 특징을 기반으로 랜덤 포레스트 분류기를 훈련시어 코로나19와 비코로나19 폐렴 사례를 구분한다.
• CT 및 X-ray 스캔의 GMM-CNN 특징을 융합하여 다중모odal 융합을 통해 진단 성능을 향상시킨다.
• 작은 의료 데이터셋에서 과적합을 줄이고 일반화 능력을 향상시키기 위해 랜덤 포레스트 분류기에서 백싱 전략을 적용한다.

실험 결과

연구 질문

• RQ1 GMM를 사용해 깊이 있는 CNN 특징의 분포를 모델링하면 의료 영상에서 코로나19 분류의 일반화 및 내성 향상에 기여하는가?
• RQ2 제한된 레이블이 있는 의료 데이터로 훈련했을 때, 제안된 GMM-CNN 방법이 표준 CNN 분류보다 정확도와 AUC 측면에서 뛰어나게 성능을 발휘하는가?
• RQ3 이 진단 작업에서 압축된 그러나 구분력 있는 특징 표현을 달성하기 위해 최적의 GMM 성분 수(k)는 얼마인가?
• RQ4 CT 및 X-ray 영상 모달리티의 특징을 융합하면 단일 모달리티를 사용하는 것보다 더 뛰어난 진단 성능을 제공하는가?
• RQ5 GMM-CNN 프레임워크는 다양한 CNN 아키텍처(DarkNet 및 ResNet 등)에 효과적으로 적용되어 진단의 내성성을 향상시킬 수 있는가?

주요 결과

• CT 및 X-ray 영상의 특징을 융합한 GMM-CNN 방법은 정확도 97.00%와 ROC 곡선 아래 면적(AUC) 99.45%를 달성하여, 표준 CNN 분류보다 유의미하게 뛰어나며(p < 0.05), 과적합 문제를 효과적으로 완화한다.
• 특징 인코딩에 단지 두 개의 GMM 성분(k=2)을 사용함으로써도 상당한 성능 향상이 이루어져, 압축된 매개변수 기반 모델링의 효과성을 입증한다.
• 최고의 성능는 CT 및 X-ray 스캔의 GMM-CNN 특징를 융합한 결과에서 도출되었으며, 이는 다중모달 융합이 진단 능력을 향상시킨다는 것을 시사한다.
• GMM-CNN 특징를 기반으로 훈련된 랜덤 포레스트 분류기는 표준 CNN 미세조정 대비 더 뛰어난 일반화 및 내성 성능를 보였으며, 특히 작은 데이터셋에서 두각을 나타냈다.
• 이 방법은 의료 영상 기반 코로나19 진단 분야에서 기존의 Zhao 등 및 Khan 등이 제안한 방법을 뛰어넘는 최신 기술 수준의 AUC(99.45%)를 달성하여 문헌상 최고 성능를 기록했다.
• 이 방법은 다양한 CNN 아키텍처(DarkNet 및 ResNet)에서 뛰어난 성능를 보이며, 다양한 딥러닝 백본에 대한 호환성과 확장성(스케일러빌리티)을 입증했다.