[논문 리뷰] Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented Capsule Networks

Aryan Mobiny, Pietro Antonio Cicalese외 7명|arXiv (Cornell University)|2020. 04. 16.

COVID-19 diagnosis using AI참고 문헌 38인용 수 73

한 줄 요약

논문은 DECAPS를 도입하며, 역동적 라우팅을 뒤집고 Peekaboo 학습과 pix2pix 데이터 증강을 활용해 CT 스캔에서 COVID-19를 탐지하고, 방사선과 수준의 성능을 달성하며 여러 베이스라인을 능가합니다.

ABSTRACT

Radiographic images offer an alternative method for the rapid screening and monitoring of Coronavirus Disease 2019 (COVID-19) patients. This approach is limited by the shortage of radiology experts who can provide a timely interpretation of these images. Motivated by this challenge, our paper proposes a novel learning architecture, called Detail-Oriented Capsule Networks (DECAPS), for the automatic diagnosis of COVID-19 from Computed Tomography (CT) scans. Our network combines the strength of Capsule Networks with several architecture improvements meant to boost classification accuracies. First, DECAPS uses an Inverted Dynamic Routing mechanism which increases model stability by preventing the passage of information from non-descriptive regions. Second, DECAPS employs a Peekaboo training procedure which uses a two-stage patch crop and drop strategy to encourage the network to generate activation maps for every target concept. The network then uses the activation maps to focus on regions of interest and combines both coarse and fine-grained representations of the data. Finally, we use a data augmentation method based on conditional generative adversarial networks to deal with the issue of data scarcity. Our model achieves 84.3% precision, 91.5% recall, and 96.1% area under the ROC curve, significantly outperforming state-of-the-art methods. We compare the performance of the DECAPS model with three experienced, well-trained thoracic radiologists and show that the architecture significantly outperforms them. While further studies on larger datasets are required to confirm this finding, our results imply that architectures like DECAPS can be used to assist radiologists in the CT scan mediated diagnosis of COVID-19.

연구 동기 및 목표

• 방사선 전문 지식이 제한된 상황에서 빠르고 정확한 COVID-19 선별의 필요성을 자극한다.
• 정보가 풍부한 영역에 집중하면서 맥락을 활용하는 모델을 개발한다.
• 합성 데이터 증강 및 타깃 학습 전략으로 데이터 부족 문제를 해결한다.
• 실무적 임상 활용 가능성을 평가하기 위해 숙련된 방사선 전문의와의 비교를 벤치마크한다.

제안 방법

• 세 가지 핵심 아이디어를 가진 캡슐 네트워크 아키텍처 DECAPS를 제안한다: ROI를 강조하는 디테일 지향 라우팅과 역방향 다이내믹 라우팅 메커니즘.
• 하위 레벨 캡슐이 상위 레벨 캡슐의 주의 집중을 경쟁하도록 하여 클래스별로 캡슐 헤드와 활성 맵을 생성하는 IDR을 도입한다.
• 활성 맵에 guided된 패치를 자르거나 버려 학습을 확장하여 다수의 ROI로부터 학습을 장려하는 Peekaboo 학습 regime을 구현한다.
• PatchGAN과 U-net 구조를 가진 pix2pix 조건부 GAN으로 현실적인 COVID-19 CT 샘플을 생성하는 데이터 증강을 수행한다.
• 입력 전체의 거친 예측과 ROI의 미세 예측을 포함하는 2단계 학습/예측 전략을 사용하고, 이어 최종 예측으로의 증류(distillation)로 이어진다.

실험 결과

연구 질문

• RQ1 캡슐 기반 네트워크가 제한된 데이터에서 전통적인 CNN보다 CT 기반 COVID-19 탐지에서 더 우수한 성능을 보일 수 있는가?
• RQ2 자세한 ROI 중심의 라우팅 및 학습 전략이 위치추정 및 분류 성능을 향상시키는가?
• RQ3 GAN 생성 CT 샘플로의 데이터 증강이 모델의 일반화에 미치는 영향은 무엇인가?
• RQ4 모델이 진단 정확도에서 전문가 방사선과 비교하여 어떤 차이를 보이는가?

주요 결과

• Peekaboo를 이용한 DECAPS가 베이스라인 CNN을 능가했고, AUC 0.961±0.009로 최다치를 달성했다.
• DECAPS 단독은 AUC 0.927±0.017를 달성하여 동일 데이터셋에서 Inception-v3, DenseNet121, ResNet50보다 우수한 성능을 보였다.
• pix2pix 증강을 통한 DECAPS+Peekaboo가 최상의 성능을 낸다(AUC 0.961±0.009).
• 모델은 다른 아키텍처에 비해 재현율이 높고(0.915±0.057), 정밀도도 비교적 우수하다(0.843±0.024).
• 세 명의 방사선 전문가와 비교해 Alpha-테스트 세트 성능에서 아키텍처가 인간 전문가를 현저히 능가했다.
• 캡슐 헤드당 활성 맵은 의사결정에 기여하는 영역의 약한 지도 지역화를 가능하게 한다.