[논문 리뷰] Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia

Xi Ouyang, Jiayu Huo외 16명|arXiv (Cornell University)|2020. 05. 06.

COVID-19 diagnosis using AI참고 문헌 59인용 수 25

한 줄 요약

이 논문은 흉부 CT 영상에서 코로나19와 지역성 폐렴(CAP)을 구분하기 위해 3D CNN을 사용한 이중 샘플링 주의망을 제안한다. 클래스 불균형 문제를 해결하기 위해 온라인 주의 모듈과 이중 샘플링 전략을 통합함으로써, 독립적인 다중 기관 테스트 세트에서 AUC 0.944, 정확도 87.5%, F1 점수 82.0%를 달성하여 높은 진단 성능와 함께 주의 시각화를 통한 향상된 해석 가능성도 입증한다.

ABSTRACT

The coronavirus disease (COVID-19) is rapidly spreading all over the world, and has infected more than 1,436,000 people in more than 200 countries and territories as of April 9, 2020. Detecting COVID-19 at early stage is essential to deliver proper healthcare to the patients and also to protect the uninfected population. To this end, we develop a dual-sampling attention network to automatically diagnose COVID- 19 from the community acquired pneumonia (CAP) in chest computed tomography (CT). In particular, we propose a novel online attention module with a 3D convolutional network (CNN) to focus on the infection regions in lungs when making decisions of diagnoses. Note that there exists imbalanced distribution of the sizes of the infection regions between COVID-19 and CAP, partially due to fast progress of COVID-19 after symptom onset. Therefore, we develop a dual-sampling strategy to mitigate the imbalanced learning. Our method is evaluated (to our best knowledge) upon the largest multi-center CT data for COVID-19 from 8 hospitals. In the training-validation stage, we collect 2186 CT scans from 1588 patients for a 5-fold cross-validation. In the testing stage, we employ another independent large-scale testing dataset including 2796 CT scans from 2057 patients. Results show that our algorithm can identify the COVID-19 images with the area under the receiver operating characteristic curve (AUC) value of 0.944, accuracy of 87.5%, sensitivity of 86.9%, specificity of 90.1%, and F1-score of 82.0%. With this performance, the proposed algorithm could potentially aid radiologists with COVID-19 diagnosis from CAP, especially in the early stage of the COVID-19 outbreak.

연구 동기 및 목표

• 흉부 CT 영상에서 코로나19와 지역성 폐렴(CAP)을 조기에 진단하기 위한 자동화된 딥러닝 방법을 개발하기 위해.
• 코로나19의 빠른 진행으로 인해 코로나19와 CAP 간에 감염 부위 크기의 클래스 불균형 문제를 해결하기 위해.
• 온라인 주의 기반 기계를 통해 감염 부위에 주의를 집중시켜 모델의 해석 가능성을 향상시키기 위해.
• 학습에 사용되지 않은 대규모 독립적 다중 기관 CT 데이터셋에서 모델의 일반화 능력을 검증하기 위해.
• 특히 자원이 제한된 유행 상황에서 방사선 전문의가 폐렴 아형을 조기에 탐지하고 차별 진단할 수 있도록 지원하기 위해.

제안 방법

• 3D 흉부 CT 볼륨의 특징 추출을 위해 3D 합성곱 신경망(CNN)을 백본으로 사용한다.
• 학습 중에 동적으로 주의 맵을 개선하는 온라인 주의 모듈을 도입하여 감염 부위에 집중하고 해석 가능성을 향상시킨다.
• 작은 감염 부위 케이스는 과표본화하고 큰 감염 부위 케이스는 과소표본화함으로써 학습 데이터의 균형을 맞추기 위한 이중 샘플링 전략을 설계한다.
• 감염 세그멘테이션 마스크를 사용하여 주의 맵을 개선함으로써 모델이 임상적으로 관련 있는 영역을 향해 유도한다.
• Grad-CAM을 비교 대상으로 사용하지만, 제안된 방법은 실제 감염 영역과 더 잘 일치하는 더 정확하고 국소화된 주의 맵을 생성한다.
• 모델은 1,588명의 환자로부터 확보한 2,186개의 CT 영상에서 5겹 교차 검증을 통해 학습되었고, 2,057명의 환자로부터 확보한 2,796개의 영상으로 구성된 독립적인 데이터셋에서 테스트되었다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 높은 정확도와 강건성을 확보하면서 흉부 CT 영상에서 코로나19와 CAP를 효과적으로 구분할 수 있는가?
• RQ2 어떻게 주의 기반 기계를 최적화하여 CT 영상에서 감염 부위의 국소화와 모델의 해석 가능성을 향상시킬 수 있는가?
• RQ3 이중 샘플링 전략이 코로나19와 CAP 간 감염 부위 크기의 불균형이 모델 성능에 미치는 영향을 어느 정도 완화할 수 있는가?
• RQ4 제안된 모델은 학습에 사용되지 않은 독립적이고 다중 기관의 데이터셋에 잘 일반화되는가?
• RQ5 주의 맵의 국소화와 폐렴 진단에서 임상적으로 관련 있는 영상 소견 간 상관관계는 어떠한가?

주요 결과

• 독립 테스트 세트에서 receiver operating characteristic 곡선 아래 면적(AUC)이 0.944로 강력한 진단 성능를 나타냈다.
• 테스트 세트에서 정확도 87.5%, 민감도 86.9%, 특이도 90.1%를 달성하여 코로나19와 CAP를 구분하는 데 성공했다.
• F1 점수 82.0%는 정밀도와 재현율 간 균형 잡힌 성능를 보여주며, 희귀하거나 초기 단계의 경우에 특히 중요하다.
• 제안된 모델의 주의 맵은 실제 감염 세그멘테이션과 더 잘 일치하며, Grad-CAM보다 감염 부위를 더 정확하게 국소화했다.
• 실패 사례 분석에서, 특히 폐 외부 영역에서 시각적 단서가 모호하거나 오도된 경우 주의 국소화에 한계가 드러났다.
• 작은 감염 부위를 가진 코로나19 사례에서 성능 저하가 관찰되어, 조기에 진단하기 위해 임상 및 검사 데이터와의 통합이 필요하다.