[논문 리뷰] A Survey of Deep Learning Techniques for the Analysis of COVID-19 and their usability for Detecting Omicron

Asifullah Khan, Saddam Hussain Khan외 4명|arXiv (Cornell University)|2022. 02. 13.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 종합 검토는 흉부 X선 및 CT 영상에 기반한 코로나19 진단을 위한 딥러닝(DL) 기법을 체계적으로 분류하며, 분류, 세분화, 다단계 접근 방식으로 나누어 설명한다. 사전 훈련된 및 맞춤형 컨볼루션 신경망(CNN) 아키텍처를 평가하고, 상호운용성 및 모odal 차이 문제를 강조하며, 성능 지표를 논의하여 오미크론과 같은 새로운 변이에 대응 가능한 DL 도구 개발의 기반을 제공한다.

ABSTRACT

The Coronavirus (COVID-19) outbreak in December 2019 has become an ongoing threat to humans worldwide, creating a health crisis that infected millions of lives, as well as devastating the global economy. Deep learning (DL) techniques have proved helpful in analysis and delineation of infectious regions in radiological images in a timely manner. This paper makes an in-depth survey of DL techniques and draws a taxonomy based on diagnostic strategies and learning approaches. DL techniques are systematically categorized into classification, segmentation, and multi-stage approaches for COVID-19 diagnosis at image and region level analysis. Each category includes pre-trained and custom-made Convolutional Neural Network architectures for detecting COVID-19 infection in radiographic imaging modalities; X-Ray, and Computer Tomography (CT). Furthermore, a discussion is made on challenges in developing diagnostic techniques such as cross-platform interoperability and examining imaging modality. Similarly, a review of the various methodologies and performance measures used in these techniques is also presented. This survey provides an insight into the promising areas of research in DL for analyzing radiographic images, and further accelerates the research in designing customized DL based diagnostic tools for effectively dealing with new variants of COVID-19 and emerging challenges.

연구 동기 및 목표

• 진단 전략과 학습 접근 방식 전반에 걸쳐 코로나19 영상 분석에 사용된 딥러닝 기법의 종합적인 분류 체계를 제공하기 위해.
• 영상 진단에서 코로나19 감염을 분류하고 세분화하는 데 사용되는 사전 훈련된 및 맞춤형 컨볼루션 신경망(CNN)의 성능과 한계를 평가하기 위해.
• 딥러닝 모델 배포에 영향을 미치는 플랫폼 간 상호운용성 및 영상 모달리티 변동성 문제를 특정하기 위해.
• 기존의 딥러닝 기반 코로나19 진단 시스템에서 사용된 방법론과 성능 지표를 분석하기 위해.
• 현재의 딥러닝 기법이 오미크론을 포함한 새로운 사스코로나2바이러스 변이에 적응할 잠재력을 평가하기 위해.

제안 방법

• 딥러닝 기법을 영상 수준 및 영역 수준 분석을 위한 세 가지 주요 진단 전략으로 분류: 분류, 세분화, 다단계 접근 방식.
• 예를 들어 ResNet, DenseNet 등의 사전 훈련된 모델과 X선 및 CT 스캔에서 코로나19를 탐지하기 위해 특별히 설계된 맞춤형 CNN 아키텍처를 검토.
• 데이터 증강, 전이 학습, 미세조정이 다양한 영상 데이터셋에서 모델의 일반화 및 성능에 미치는 영향을 분석.
• 정확도, AUC-ROC, 민감도, 특이도 등의 성능 지표를 연구 간 비교하여 진단 신뢰도 평가.
• 데이터셋 이질성, 표준화 부족, 의료 영상에서의 모델 해석 가능성 등의 기술적 및 임상적 과제 논의.
• 폐 병변의 형태학적 차이를 분석하여 기존 딥러닝 모델이 오미크론과 같은 새로운 변이를 탐지하도록 적응 가능한지 타당성 평가.

실험 결과

연구 질문

• RQ1 다양한 딥러닝 아키텍처는 X선 및 CT 스캔에서 코로나19를 분류하고 세분화하는 데 어떻게 성능을 발휘하는가?
• RQ2 다른 영상 플랫폼과 모달리티 간에 딥러닝 모델을 구현할 때 발생하는 주요 과제는 무엇인가?
• RQ3 기존의 딥러닝 모델이 오미크론과 같은 새로운 사스코로나2바이러스 변이를 탐지하도록 얼마나 잘 적응할 수 있는가?
• RQ4 AUC-ROC 및 민감도와 같은 성능 지표는 연구 간 어떻게 변동하는가? 이러한 변동에 영향을 주는 요인는 무엇인가?
• RQ5 실제 적용에 장애가 되는 데이터 표준화, 모델 일반화, 임상 사용성 측면에서의 핵심 격차는 무엇인가?

주요 결과

• DenseNet 및 ResNet과 같은 사전 훈련된 CNN은 X선 및 CT 영상에서 코로나19를 분류할 때 높은 진단 정확도(일반적으로 >90%)를 달성한다.
• 세분화 기반 접근 방식은 특히 다중 클래스 및 다중 레이블 설정에서 감염 부위의 국소화를 향상시킨다.
• 감지 및 분류를 결합한 다단계 딥러닝 파이프라인은 관심 영역 정밀화를 통해 성능 향상을 달성한다.
• 연구 간 성능 지표의 상당한 변동성은 데이터셋 크기, 품질, 전처리 방법의 차이에서 기인한다.
• 플랫폼 간 상호운용성 및 모달리티 특화 차이(예: X선 대비 CT)는 여전히 모델 일반화 및 임상 적용을 제한하는 주요 과제이다.
• 이 조사에서는 오미크론과 같은 새로운 변이에 대한 모델 적응 및 신뢰할 수 있는 평가를 가능하게 하기 위해 표준화된 데이터셋과 벤치마킹 프로토콜의 필수성을 규명한다.