[논문 리뷰] GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for Identifying COVID-19 on Chest X-rays

Angelica I. Avilés-Rivero, Philip Sellars외 2명|arXiv (Cornell University)|2020. 09. 30.

COVID-19 diagnosis using AI참고 문헌 89인용 수 34

한 줄 요약

GraphXCOVID presents a graph-based deep semi-supervised framework that diffusion-generates pseudo-labels from a small labeled set to classify COVID-19 on chest X-rays, outperforming several supervised models with far fewer labels and providing explainable attention maps.

ABSTRACT

Can one learn to diagnose COVID-19 under extreme minimal supervision? Since the outbreak of the novel COVID-19 there has been a rush for developing Artificial Intelligence techniques for expert-level disease identification on Chest X-ray data. In particular, the use of deep supervised learning has become the go-to paradigm. However, the performance of such models is heavily dependent on the availability of a large and representative labelled dataset. The creation of which is a heavily expensive and time consuming task, and especially imposes a great challenge for a novel disease. Semi-supervised learning has shown the ability to match the incredible performance of supervised models whilst requiring a small fraction of the labelled examples. This makes the semi-supervised paradigm an attractive option for identifying COVID-19. In this work, we introduce a graph based deep semi-supervised framework for classifying COVID-19 from chest X-rays. Our framework introduces an optimisation model for graph diffusion that reinforces the natural relation among the tiny labelled set and the vast unlabelled data. We then connect the diffusion prediction output as pseudo-labels that are used in an iterative scheme in a deep net. We demonstrate, through our experiments, that our model is able to outperform the current leading supervised model with a tiny fraction of the labelled examples. Finally, we provide attention maps to accommodate the radiologist's mental model, better fitting their perceptual and cognitive abilities. These visualisation aims to assist the radiologist in judging whether the diagnostic is correct or not, and in consequence to accelerate the decision.

연구 동기 및 목표

• 가 흉부 X-ray에서 최소 라벨 데이터로 robust한 COVID-19 분류를 동기화한다.
• 유라벨 데이터에 대해 의사 레이블을 생성하기 위한 그래프 기반 확산 모델을 개발한다.
• 확산 기반 의사 레이블을 딥 네트워크와 통합하여 성능을 반복적으로 향상시킨다.
• 진단 보조를 위한 해석 가능성을 제공하기 위해 주의 맵을 이용한 해석 가능성을 제공한다.

제안 방법

• 데이터셋을 노드가 이미지이고 간선이 특징 유사성을 인코딩하는 그래프로 표현한다.
• 학습된 특징 공간에서 k-NN을 사용하여 그래프를 구축하기 위해 딥 네트워크를 통해 특징을 추출한다.
• 그래프에서 정규화되고 비매끄러운 p=1 Dirichlet 에너지 확산을 해결하여 의사 레이블을 얻는다.
• 클래스 불균형과 불확실성을 고려한 가중 크로스 엔트로피 손실을 사용하여 의사 레이블과 네트워크 매개변수를 반복적으로 업데이트한다.
• Training에 대한 영향력을 가중하기 위해 엔트로피를 통해 의사 레이블의 불확실성을 계산한다.

실험 결과

연구 질문

• RQ1 그래프 기반 확산 모델이 한정된 주석으로 심층 반지도 학습 COVID-19 분류를 가능하게 하는 신뢰할 수 있는 의사 레이블을 생성할 수 있는가?
• RQ2 확산 생성 의사 레이블을 딥 네트워크와 통합하는 것이 완전 지도 기준선 및 기존 SSL 방법과 비교하여 COVID-19 탐지 정확도와 민감도를 향상시키는가?
• RQ3 GraphXCOVID에서 생성된 주의 맵이 방사선과 의사들이 예측을 해석하고 진단 신뢰도를 높이는 데 도움이 되는가?

주요 결과

• GraphXCOVID는 적은 데이터 라벨로도 COVID-19에 대해 높은 민감도와 경쟁력 있는 정확도를 달성한다.
• 확산 기반 의사 레이블과 불확실성 가중치 및 클래스 균형 조합은 COVIDx 데이터셋에서 비교 가능한 반지도 기반 기준선 및 다수의 지도 모델보다 우수하다.
• 이 방법은 방사선과의 지각적 단서와 일치하는 주의 맵을 제공하여 진단을 지원한다.