[논문 리뷰] Early Screening of SARS-CoV-2 by Intelligent Analysis of X-Ray Images

Débora Gil, Katerine Díaz-Chito외 2명|arXiv (Cornell University)|2020. 05. 28.

COVID-19 diagnosis using AI참고 문헌 27인용 수 10

한 줄 요약

이 연구는 X-ray 영상에서 초기 SARS-CoV-2 스크리닝을 위한 고전적 기계학습 접근법을 제안한다. 이 방법은 방향성 기울기 히스토GRAM(HoG)과 차원 축소 기법을 사용하며, 정상, 폐렴, 비-COVID-19 침윤 병변과의 구별에서 높은 정확도(96%)와 재현율(98%)을 달성한다. 이는 딥 러닝 방법을 능가하며, 비-COVID-19 침윤 병변이 COVID-19와 가장 영상학적으로 유사한 것으로 밝혀져, 보다 높은 특이도를 확보하기 위해 임상 데이터 통합이 필요하다.

ABSTRACT

Future SARS-CoV-2 virus outbreak COVID-XX might possibly occur during the next years. However the pathology in humans is so recent that many clinical aspects, like early detection of complications, side effects after recovery or early screening, are currently unknown. In spite of the number of cases of COVID-19, its rapid spread putting many sanitary systems in the edge of collapse has hindered proper collection and analysis of the data related to COVID-19 clinical aspects. We describe an interdisciplinary initiative that integrates clinical research, with image diagnostics and the use of new technologies such as artificial intelligence and radiomics with the aim of clarifying some of SARS-CoV-2 open questions. The whole initiative addresses 3 main points: 1) collection of standardize data including images, clinical data and analytics; 2) COVID-19 screening for its early diagnosis at primary care centers; 3) define radiomic signatures of COVID-19 evolution and associated pathologies for the early treatment of complications. In particular, in this paper we present a general overview of the project, the experimental design and first results of X-ray COVID-19 detection using a classic approach based on HoG and feature selection. Our experiments include a comparison to some recent methods for COVID-19 screening in X-Ray and an exploratory analysis of the feasibility of X-Ray COVID-19 screening. Results show that classic approaches can outperform deep-learning methods in this experimental setting, indicate the feasibility of early COVID-19 screening and that non-COVID infiltration is the group of patients most similar to COVID-19 in terms of radiological description of X-ray. Therefore, an efficient COVID-19 screening should be complemented with other clinical data to better discriminate these cases.

연구 동기 및 목표

• 고전적 컴퓨터 비전 기법을 사용하여 초기 SARS-CoV-2 검출을 위한 지능형이고 저비용의 X-ray 스크리닝 시스템을 개발하는 것.
• 기본 보건 환경에서 표준 X-ray 영상으로 초기 COVID-19 검출의 가능성을 평가하는 것.
• 진단 정확도에 영향을 주는 영상학적 서명과 임상적 혼동 요인(특히 비-COVID-19 침윤 병변)을 규명하는 것.
• 고전적 기계학습 접근법(HoG + 특징 선택)과 최신 딥 러닝 방법 간의 COVID-19 검출 성능을 비교하는 것.
• 질병 진행 단계(초기, 중기, 후기)에 따라 모델 성능을 평가하여 초기 진단 잠재력을 분석하는 것.

제안 방법

• 방법은 전면적 후전 경로 X-ray 영상에서 무늬와 에지 특징을 추출하기 위해 방향성 기울기 히스토GRAM(HoG)을 사용한다.
• 분류를 위한 최적의 특징 공간 확보를 위해 DCV(Discriminant Component Variate) 및 기타 기법을 활용해 차원 축소를 수행한다.
• 이중 단계 분류 파이프라인을 적용한다: 첫 번째로 COVID-19, 비-COVID-19 폐렴, 침윤 병변 및 정상 병변을 구분하고, 두 번째로 질병 진행 단계별 성능을 평가한다.
• HoG 셀 크기 및 축소 방법 등 모델 초모수는 분류 성능에 대한 통계적 분석을 통해 최적화된다.
• 공개 레포지토리에서 수집한 데이터셋을 사용하여, 클래스 간 균형 임의 샘플링을 철저히 수행하여 평가한다.
• 정확도, 민감도(재현율), 특이도, 정밀도와 같은 표준 지표를 사용해 최신 딥 러닝 방법과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 HoG와 차원 축소를 활용한 고전적 기계학습 접근법이 X-ray 영상에서 SARS-CoV-2 검출에 있어 딥 러닝 모델을 능가할 수 있는가?
• RQ2 모델은 초기 단계의 COVID-19를 비-COVID-19 침윤 병변과 같은 다른 폐 병변과 구별하는 데 얼마나 잘 성과를 내는가?
• RQ3 비-COVID-19 침윤 병변과 COVID-19 간의 영상학적 유사성으로 인한 가짜 양성 결과를 줄이기 위해 임상 데이터가 어떤 역할을 하는가?
• RQ4 COVID-19 폐렴의 초기, 중기, 후기 단계에서 검출 성능에 유의미한 차이가 있는가?
• RQ5 학습 과정에서 비-COVID-19 침윤 병변을 별도의 클래스로 포함시키면 모델의 특이도와 임상적 관련성이 향상되는가?

주요 결과

• HoG 기반 방법은 정상, 폐렴, 비-COVID-19 침윤 병변과의 분류에서 96%의 정확도, 98%의 재현율, 96%의 정밀도를 달성했다.
• 특히 이중 분류(COVID-19 대비 비-COVID-19) 및 삼중 분류(COVID-19, 폐렴, 정상) 설정에서, 여러 최신 딥 러닝 모델을 능가하는 특이도와 정밀도를 보였다.
• 비-COVID-19 침윤 병변은 COVID-19와 가장 영상학적으로 유사한 그룹으로 규명되었으며, 전체 가짜 양성의 20% 이상이 이 클래스로 기인한 것으로 추정된다.
• 질병 진행 단계(초기 89%, 중기 93%, 후기 94%) 간 검출률에 통계적으로 유의미한 차이가 없었으며, 이는 질병 진행 단계에 관계없이 일관된 성능을 보임을 시사한다.
• 비-COVID-19 침윤 병변을 걸러내기 위해 임상 변수를 통합할 경우, X-ray를 이용한 초기 COVID-19 스크리닝의 임상적 타당성이 확인되었다.
• 통계적 평가 기반으로 DCV를 통한 차원 축소와 HoG 셀 크기 16×16 픽셀 조합이 최적의 모델 구성임을 입증했다.