[논문 리뷰] Hypergraph Learning for Identification of COVID-19 with CT Imaging

Donglin Di, Feng Shi외 13명|arXiv (Cornell University)|2020. 05. 07.

COVID-19 diagnosis using AI참고 문헌 29인용 수 12

한 줄 요약

이 논문은 CT 영상에서 사회적 획득성 폐렴(CAP)에서의 코로나19 식별을 향상시키기 위해 불확실성 정점 가중치 히퍼그래프 학습(UVHL)을 제안한다. 다중 유형의 특징(지역적 및 레이디오믹스)을 히퍼그래프 구조로 모델링하고 데이터의 불확실성으로 정점에 가중치를 적용함으로써 노이즈 영향을 줄이고 결정 경계 근처의 분류 성능을 향상시킨다. 다중 기관 데이터셋(3,330건)에서 90%의 정확도를 달성하였다.

ABSTRACT

The coronavirus disease, named COVID-19, has become the largest global public health crisis since it started in early 2020. CT imaging has been used as a complementary tool to assist early screening, especially for the rapid identification of COVID-19 cases from community acquired pneumonia (CAP) cases. The main challenge in early screening is how to model the confusing cases in the COVID-19 and CAP groups, with very similar clinical manifestations and imaging features. To tackle this challenge, we propose an Uncertainty Vertex-weighted Hypergraph Learning (UVHL) method to identify COVID-19 from CAP using CT images. In particular, multiple types of features (including regional features and radiomics features) are first extracted from CT image for each case. Then, the relationship among different cases is formulated by a hypergraph structure, with each case represented as a vertex in the hypergraph. The uncertainty of each vertex is further computed with an uncertainty score measurement and used as a weight in the hypergraph. Finally, a learning process of the vertex-weighted hypergraph is used to predict whether a new testing case belongs to COVID-19 or not. Experiments on a large multi-center pneumonia dataset, consisting of 2,148 COVID-19 cases and 1,182 CAP cases from five hospitals, are conducted to evaluate the performance of the proposed method. Results demonstrate the effectiveness and robustness of our proposed method on the identification of COVID-19 in comparison to state-of-the-art methods.

연구 동기 및 목표

• 임상적 및 영상적 특징이 매우 유사한 초기 단계의 CT 영상에서 코로나19와 CAP를 구분하는 데 어려움이 존재하는 문제를 해결하기 위해.
• 다양한 재구성 커널과 환자 이동으로 인해 비상 상황에서 촬영된 노이즈가 많은 CT 데이터의 부정적 영향을 줄이기 위해.
• 복잡한 데이터 상관관계를 포착하는 히퍼그래프 구조를 통해 코로나19 및 CAP 사례 간의 고차원적 관계를 모델링하기 위해.
• 알레아토릭(데이터 노이즈) 및 엡스티믹(모델 불확실성) 불확실성을 모두 통합하여 정점에 가중치를 적용함으로써 분류의 강인성을 향상시키고 더 신뢰할 수 있는 예측을 가능하게 하기 위해.
• 신종 감염병 상황에서 흔한 제한된 레이블 데이터 조건에서 UVHL의 성능을 평가하기 위해.

제안 방법

• 모든 CT 스캔에서 지역적 및 레이디오믹스 특징을 추출하여 다차원 특징 공간에서 개별 환자를 표현한다.
• 각 환자를 정점으로 하고, 다수의 정점을 연결하는 하이퍼엣지로 구성된 히퍼그래프 구조를 수립하여 사례 간의 고차원적 관계를 모델링한다.
• 데이터 노이즈(알레아토릭 불확실성)와 모델 불확실성(엡스티믹 불확실성)의 두 성분을 사용하여 각 정점의 불확실성 점수를 계산하여 데이터 신뢰도를 정량화한다.
• 불확실성 점수에 기반하여 정점에 가중치를 할당하여 학습 과정에서 저품질 또는 모호한 사례의 영향을 감소시킨다.
• 가중치가 부여된 히퍼그래프 학습 프레임워크는 가중치가 부여된 히퍼그래프를 통해 레이블을 전파함으로써 분류를 수행하며, 결정 경계 근처의 불확실하지만 정보가 풍부한 노드에 주의를 집중시킨다.
• 프레임워크는 다중 모odal 특징 융합을 지원하여 지역적 및 레이디오믹스 특징을 융합함으로써 전체 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 히퍼그래프 기반 학습 프레임워크는 CT 영상에서 코로나19 및 CAP 사례 간의 복잡한 고차원적 관계를 효과적으로 모델링할 수 있는가?
• RQ2 알레아토릭 및 엡스티믹 불확실성 점수를 함께 통합함으로써 노이즈가 많거나 품질이 낮은 CT 데이터가 존재하는 상황에서 분류의 강인성이 향상되는가?
• RQ3 제안된 UVHL 방법은 다중 기관 CT 데이터를 사용하여 코로나19와 CAP를 구분하는 데 있어 최신 기술 대비 어떻게 성능을 발휘하는가?
• RQ4 다른 특징 유형(지역적 대비 레이디오믹스)은 분류 성능에 어떤 기여를 하는가? 그리고 이들의 조합은 결과에 어떤 영향을 미치는가?
• RQ5 신종 감염병 상황에서 흔한 제한된 레이블 데이터 조건에서 UVHL 방법은 얼마나 잘 일반화되는가?

주요 결과

• 제안된 UVHL 방법은 2,148건의 코로나19 및 1,182건의 CAP 사례로 구성된 다중 기관 데이터셋에서 코로나19와 CAP를 구분하는 데 90%의 정확도를 달성하였다.
• 알레아토릭 및 엡스티믹 불확실성을 함께 사용한 경우가, 단일 불확실성 유형만 사용하거나 불확실성 가중치 없이 사용한 경우보다 가장 높은 성능을 보였다.
• 지역적 및 레이디오믹스 특징를 모두 사용한 방법이 가장 높은 민감도(93.27%)와 특이도(84.00%)를 기록하여 다중 특징 융합의 이점을 입증하였다.
• 매우 제한된 레이블 데이터(클래스당 최소 10~100건) 조건에서도 UVHL은 SVM 및 기타 기준 방법보다 안정적인 성능을 보였으며, 저자료 환경에서 뛰어난 성능을 발휘하였다.
• 불확실성 측정에 MLP를 사용한 경우가 SVM을 사용한 경우보다 성능이 뛰어나, 이 작업에 대해 딥 러닝 기반의 불확실성 추정이 더 효과적임을 시사하였다.
• 노이즈가 많은 데이터에 대해 불확실하거나 품질이 낮은 사례를 가중치를 낮춰 처리함으로써 실제 임상 환경에서의 일반화 능력 향상에 기여하여 강인성을 입증하였다.