[논문 리뷰] Lung Infection Quantification of COVID-19 in CT Images with Deep Learning

Fei Shan, Yaozong Gao외 7명|arXiv (Cornell University)|2020. 03. 10.

COVID-19 diagnosis using AI참고 문헌 35인용 수 537

한 줄 요약

딥러닝 분할 시스템이 CT 스캔에서 COVID-19 폐 감염을 자동으로 정량화하고, 수동 주석과 높은 일치도 및 낮은 감염 비율 오차를 달성하며, 학습 및 수정 속도를 높이기 위한 HITL 전략의 지원을 받습니다.

ABSTRACT

CT imaging is crucial for diagnosis, assessment and staging COVID-19 infection. Follow-up scans every 3-5 days are often recommended for disease progression. It has been reported that bilateral and peripheral ground glass opacification (GGO) with or without consolidation are predominant CT findings in COVID-19 patients. However, due to lack of computerized quantification tools, only qualitative impression and rough description of infected areas are currently used in radiological reports. In this paper, a deep learning (DL)-based segmentation system is developed to automatically quantify infection regions of interest (ROIs) and their volumetric ratios w.r.t. the lung. The performance of the system was evaluated by comparing the automatically segmented infection regions with the manually-delineated ones on 300 chest CT scans of 300 COVID-19 patients. For fast manual delineation of training samples and possible manual intervention of automatic results, a human-in-the-loop (HITL) strategy has been adopted to assist radiologists for infection region segmentation, which dramatically reduced the total segmentation time to 4 minutes after 3 iterations of model updating. The average Dice simiarility coefficient showed 91.6% agreement between automatic and manual infaction segmentations, and the mean estimation error of percentage of infection (POI) was 0.3% for the whole lung. Finally, possible applications, including but not limited to analysis of follow-up CT scans and infection distributions in the lobes and segments correlated with clinical findings, were discussed.

연구 동기 및 목표

• CT 이미지에서 감염 ROI와 그 체적 비율을 자동으로 정량화하기 위한 DL 기반 시스템 개발.
• 수동 개입을 최소화한 자동 분할 제공.
• 워크플로를 가속하기 위해 HITL를 통한 신속한 학습 샘플 그림 경계선 지정 및 수정 업데이트를 가능하게 한다.

제안 방법

• 가슴 CT 스캔에서 감염 영역을 식별하기 위해 딥러닝 분할 모델을 학습시킨다.
• 300명의 환자에서 얻은 300 스캔에 대해 자동 분할과 수동 구획화를 비교한다.
• 보다 빠른 구획화와 모델 업데이트를 위해 radiologists를 돕는 HITL(Human-in-the-Loop) 전략을 도입한다(3회 반복).
• 자동 분할과 수동 분할 간의 Dice 유사도 계수로 성능을 평가한다.
• 전체 폐에 대한 감염 비율(POI)의 평균 오차를 보고한다.

실험 결과

연구 질문

• RQ1 DL 기반 분할 시스템이 COVID-19 CT 이미지에서 감염 영역을 정확하게 정량화할 수 있는가?
• RQ2 대규모 환자 세트에서 자동 분할과 수동 감염 분할 간의 일치는 어느 정도인가?
• RQ3 HITL 접근 방식이 수동 구획화 시간을 줄이고 반복마다 분할 업데이트를 개선하는가?
• RQ4 전체 폐의 감염 비율(POI) 추정의 정확도는 어느 정도인가?

주요 결과

• 자동 감염 분할과 수동 감염 분할 간의 평균 Dice 유사도 계수는 91.6%이다.
• 전체 폐에 대한 감염 비율(POI)의 평균 추정 오차는 0.3%이다.
• HITL 접근 방식은 모델 업데이트를 3회 수행한 후 전체 분할 시간을 4분으로 크게 감소시킨다.