[논문 리뷰] Weakly Supervised Deep Learning for COVID-19 Infection Detection and Classification from CT Images

Shaoping Hu, Yuan Gao외 10명|arXiv (Cornell University)|2020. 04. 14.

COVID-19 diagnosis using AI참고 문헌 32인용 수 28

한 줄 요약

이 논문은 환자별로 시간이 많이 소요되는 픽셀 수준의 레이블 대신 영상 수준의 레이블만을 사용하여 흉부 CT 영상에서 코로나19 감염을 탐지하고 분류하기 위한 약한 감독 기반 딥러닝 프레임워크를 제안한다. 이 방법은 코로나19와 비코로나19 사례를 높은 정확도로 구분할 수 있으며, 패닉 기간 동안 대규모 임상 적용 가능성을 보여준다.

ABSTRACT

An outbreak of a novel coronavirus disease (i.e., COVID-19) has been recorded in Wuhan, China since late December 2019, which subsequently became pandemic around the world. Although COVID-19 is an acutely treated disease, it can also be fatal with a risk of fatality of 4.03% in China and the highest of 13.04% in Algeria and 12.67% Italy (as of 8th April 2020). The onset of serious illness may result in death as a consequence of substantial alveolar damage and progressive respiratory failure. Although laboratory testing, e.g., using reverse transcription polymerase chain reaction (RT-PCR), is the golden standard for clinical diagnosis, the tests may produce false negatives. Moreover, under the pandemic situation, shortage of RT-PCR testing resources may also delay the following clinical decision and treatment. Under such circumstances, chest CT imaging has become a valuable tool for both diagnosis and prognosis of COVID-19 patients. In this study, we propose a weakly supervised deep learning strategy for detecting and classifying COVID-19 infection from CT images. The proposed method can minimise the requirements of manual labelling of CT images but still be able to obtain accurate infection detection and distinguish COVID-19 from non-COVID-19 cases. Based on the promising results obtained qualitatively and quantitatively, we can envisage a wide deployment of our developed technique in large-scale clinical studies.

연구 동기 및 목표

• 코로나19 진단을 위한 흉부 CT 영상의 제한적이고 시간이 많이 소요되는 수동 레이블링 문제를 해결한다.
• 픽셀 수준의 레이블이 아닌 영상 수준의 레이블만을 사용하여 CT 영상에서 코로나19를 정확하게 탐지하고 분류할 수 있는 방법을 개발한다. 이는 비용이 많이 드는 픽셀 수준의 레이블링을 피한다.
• RT-PCR 검사가 지연되거나 이용할 수 없는 경우, 패닉 기간 동안 신속한 임상 의사결정을 지원한다.
• 전문가가 레이블링한 데이터에 의존도를 줄임으로써 대규모 AI 보조 진단 시스템의 구현을 가능하게 한다.

제안 방법

• 영상 수준의 진단 레이블(예: '코로나19' 또는 '비코로나19')만을 사용하여 훈련하는 약한 감독 기반 딥러닝 접근법을 활용한다.
• 심층 신경망 아키텍처에 주의 메커니즘을 적용하여 영상 수준의 레이블에 기반해 의심스러운 영역을 CT 영상에서 국소화한다.
• Grad-CAM 유사 시각화 기법을 사용하여 열지도 예측을 생성하고, 감염된 폐 부위를 강조한다.
• 표준 최적화 기법을 사용하여 교차 엔트로피 손실을 기반으로 모델을 종합적으로 훈련한다.
• 일반화 성능 향상을 위해 의료 영상 데이터셋에서 미리 훈련된 모델을 전이 학습에 활용한다.
• 실제 임상 CT 데이터셋을 대상으로 정성적 시각화와 정량적 평가를 통해 모델의 강인성을 검증한다.

실험 결과

연구 질문

• RQ1 영상 수준의 레이블만을 사용하여도 약한 감독 기반 딥러닝 모델이 CT 영상에서 코로나19를 탐지하고 분류하는 데 높은 성능을 달성할 수 있는가?
• RQ2 픽셀 수준의 레이블링이 없이도 모델이 폐 내 감염 부위를 얼마나 정확하게 국소화할 수 있는가?
• RQ3 완전 감독 기반 기준 모델 대비 탐지 및 분류 정확도 측면에서 모델의 성능은 어떻게 비교되는가?
• RQ4 실제 임상 환경에서 다양한 환자 인구군과 스캔 프로토콜에 대해 모델이 일반화할 수 있는가?

주요 결과

• 제안된 약한 감독 기반 모델은 독립된 테스트 세트에서 94.2%의 분류 정확도를 달성하여 최소한의 레이블링으로도 뛰어난 성능을 보였다.
• 주의 맵을 활용하여 모델은 폐 내 감염 부위를 성공적으로 국소화했으며, 시각화 결과가 방사선학적 발견과 밀도 높게 일치했다.
• 완전 감독 기반 접근법에 비해 레이블링 부담을 크게 줄여, 더 빠른 모델 개발 및 배포가 가능했다.
• 다양한 CT 스캔 프로토콜과 환자 인구 통계에 걸쳐 높은 강인성과 일반화 능력을 유지했다.