[논문 리뷰] M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging

Xuelin Qian, Huazhu Fu외 5명|arXiv (Cornell University)|2020. 10. 07.

COVID-19 diagnosis using AI참고 문헌 65인용 수 5

한 줄 요약

이 논문은 약한 지도 학습을 사용하여 CT 영상에서 다중 클래스 폐렴 스크리닝(코로나19, H1N1, CAP, 건강)을 수행하는 이중 브랜치 2D CNN 시스템인 M3Lung-Sys을 제안한다. 슬라이스 수준 및 환자 수준의 분류 네트워크를 활용하여 픽셀 수준의 애너테이션 없이도 높은 진단 정확도를 달성하고 해석 가능한 병변 국소화 지ap을 생성하며, 3D CNN 기반 모델에 비해 훨씬 낮은 학습 비용으로도 슈퍼리어한 성능을 보였다.

ABSTRACT

To counter the outbreak of COVID-19, the accurate diagnosis of suspected cases plays a crucial role in timely quarantine, medical treatment, and preventing the spread of the pandemic. Considering the limited training cases and resources (e.g, time and budget), we propose a Multi-task Multi-slice Deep Learning System (M3Lung-Sys) for multi-class lung pneumonia screening from CT imaging, which only consists of two 2D CNN networks, i.e., slice- and patient-level classification networks. The former aims to seek the feature representations from abundant CT slices instead of limited CT volumes, and for the overall pneumonia screening, the latter one could recover the temporal information by feature refinement and aggregation between different slices. In addition to distinguish COVID-19 from Healthy, H1N1, and CAP cases, our M 3 Lung-Sys also be able to locate the areas of relevant lesions, without any pixel-level annotation. To further demonstrate the effectiveness of our model, we conduct extensive experiments on a chest CT imaging dataset with a total of 734 patients (251 healthy people, 245 COVID-19 patients, 105 H1N1 patients, and 133 CAP patients). The quantitative results with plenty of metrics indicate the superiority of our proposed model on both slice- and patient-level classification tasks. More importantly, the generated lesion location maps make our system interpretable and more valuable to clinicians.

연구 동기 및 목표

• 코로나19 패안드레믹 동안 비용 효율적이고 확장 가능한 딥 러닝 시스템을 개발하기 위해.
• 환자 수준의 레이블만을 사용하여 제한된 애너테이션 데이터 문제를 해결하기 위해.
• 슬라이스 수준 및 환자 수준의 분류를 동시에 수행하면서도 해석 가능한 병변 국소화 지도를 생성하기 위해.
• 3D 아키텍처 대신 두 개의 2D CNN을 사용하여 3D CNN에 비해 계산 비용을 줄이기 위해.
• 영상의학자들이 모델 예측을 더 잘 이해할 수 있도록 시각적 설명을 제공함으로써 임상적 유용성을 향상시키기 위해.

제안 방법

• 시스템은 개별 CT 슬라이스에서 특징을 추출하기 위해 슬라이스 수준의 분류 네트워크를 사용하며, 병변 존재 여부와 다중 클래스 폐렴 유형을 예측한다.
• 환자 수준의 분류 네트워크는 특징 정제 및 시간적 모델링을 통해 슬라이스 간 특징를 집계하여 진단 정확도를 향상시킨다.
• 최종 환자 수준의 예측은 슬라이스 수준 확률을 조합하는 비모수적 통합 평가 방식을 통해 계산되며, 건강 상태로 분류하기 위한 임계값 T=0.99를 사용한다.
• 슬라이스 수준 네트워크의 주의 메커니즘과 확률 지도를 활용하여 픽셀 수준의 애너테이션 없이도 병변 국소화 지도를 생성한다.
• 모델은 픽셀 수준의 세그멘테이션 애너테이션에 비해 비용이 많이 드는 작업을 피하기 위해 오직 환자 수준의 레이블만을 사용하여 엔드 투 엔드로 학습된다.
• 아키텍처는 3D CNN의 높은 메모리 소비와 학습 비용을 피하기 위해 계산적으로 효율적으로 설계되었다.

실험 결과

연구 질문

• RQ1 약한 지도 학습 기반 2D CNN 시스템은 픽셀 수준의 애너테이션 없이도 CT 영상에서 다중 클래스 폐렴 분류에 높은 정확도를 달성할 수 있는가?
• RQ2 시스템은 임상의가 이해하기 쉽게 병변을 효과적으로 국소화할 수 있는가?
• RQ3 슬라이스 수준 및 환자 수준의 두 가지 브랜치로 구성된 2D CNN 아키텍처는 3D CNN에 비해 진단 성능은 높이고 학습 비용은 낮출 수 있는가?
• RQ4 시스템은 코로나19, H1N1, CAP 및 건강 상태를 높은 민감도와 특이도로 구분할 수 있는가?
• RQ5 비모수적 통합 평가 전략은 슬라이스 수준의 예측을 종합하여 최종 환자 수준의 진단을 효과적으로 수행하는가?

주요 결과

• M3Lung-Sys 시스템은 건강, 코로나19, H1N1, CAP 총 네 가지 폐렴 유형에 대해 슬라이스 수준 및 환자 수준의 분류 작업에서 뛰어난 성능을 보였다.
• 292명의 환자(건강자 102명, 코로나19 96명, H1N1 41명, CAP 53명)로 구성된 테스트 세트에서, 시스템은 고비용 애너테이션에 거의 의존하지 않으면서도 높은 진단 정확도를 보였다.
• 픽셀 수준의 지도 없이도 해석 가능한 병변 국소화 지도를 생성하여 임상적 신뢰도와 진단 통찰력을 향상시켰다.
• 이중 브랜치 2D CNN 아키텍처는 3D CNN 대비 훨씬 낮은 학습 비용을 기록했으며, 핵심 지표에서 성능을 유지하거나 초월했다.
• 비모수적 통합 평가 전략은 슬라이스 수준의 예측을 효과적으로 통합하였으며, 건강 상태로 분류하기 위한 임계값 T=0.99를 사용하여 견고한 환자 수준의 진단을 달성했다.
• 단지 2D 컨볼루션을 사용했음에도 불구하고, 3D CNN 기반 기존 모델에 비해 효율성과 임상적 해석 가능성 면에서 뛰어난 성능을 보였다.