[논문 리뷰] COVID CT-Net: Predicting Covid-19 From Chest CT Images Using Attentional Convolutional Network

Shakib Yazdani, Shervin Minaee외 3명|arXiv (Cornell University)|2020. 09. 10.

COVID-19 diagnosis using AI참고 문헌 21인용 수 42

한 줄 요약

이 논문은 관심 잔류 합성 신경망을 이용해 흉부 CT 영상으로 COVID-19를 분류하고, 주의 맵은 감염 영역을 강조하며 공개적으로 주석이 달린 감염 영역을 제공합니다.

ABSTRACT

The novel corona-virus disease (COVID-19) pandemic has caused a major outbreak in more than 200 countries around the world, leading to a severe impact on the health and life of many people globally. As of Aug 25th of 2020, more than 20 million people are infected, and more than 800,000 death are reported. Computed Tomography (CT) images can be used as a as an alternative to the time-consuming "reverse transcription polymerase chain reaction (RT-PCR)" test, to detect COVID-19. In this work we developed a deep learning framework to predict COVID-19 from CT images. We propose to use an attentional convolution network, which can focus on the infected areas of chest, enabling it to perform a more accurate prediction. We trained our model on a dataset of more than 2000 CT images, and report its performance in terms of various popular metrics, such as sensitivity, specificity, area under the curve, and also precision-recall curve, and achieve very promising results. We also provide a visualization of the attention maps of the model for several test images, and show that our model is attending to the infected regions as intended. In addition to developing a machine learning modeling framework, we also provide the manual annotation of the potentionally infected regions of chest, with the help of a board-certified radiologist, and make that publicly available for other researchers.

연구 동기 및 목표

• 흉부 CT가 RT-PCR이 시간이 걸리거나 불확실할 때 신속한 COVID-19 진단을 촉진한다.
• 감염된 폐 영역에 집중하는 주의적(convolutional) 프레임워크를 개발하여 예측을 개선한다.
• 주의 시각화 및 기준 모델과의 비교를 포함한 질적·정량적 분석을 제공한다.
• 추가 연구를 지원하기 위해 의사 주석이 달린 감염 영역을 공개한다.

제안 방법

• 주의 모듈이 트렁크와 소형 마스크 분기를 결합하여 감염 영역을 강조하는 잔차 주의 네트워크를 채택한다.
• 잔차 주의 프레임워크 내에서 단일 ResNet-56 기반 주의 모듈 유닛을 사용한다(매개변수 p=1, t=2, r=1).
• 공개 SARS-CoV-2 CT 스캔 데이터셋으로 학습하고 데이터 증대를 통해 학습 샘플 수를 4배 확대한다.
• 민감도, 특이도, ROC(AUC), 정밀도-재현 분석으로 평가하고 Grad-CAM 및 Grad-CAM++를 통해 주의 시각화를 수행한다.
• 의사 인터벤션으로 감염 영역을 주석하고 이 주석을 공개적으로 공개한다.

실험 결과

연구 질문

• RQ1 주의적 합성 신경망이 기준 모델과 비교할 때 흉부 CT 영상에서 COVID-19 예측 정확도를 향상시킬 수 있는가?
• RQ2 모델의 주의 맵이 폐의 방사선 전문의가 식별한 감염 영역과 부합하는가?
• RQ3 데이터 증강과 하이퍼파라미터 선택이 예측 성능에 미치는 영향은 무엇인가?
• RQ4 이 방법이 임상 해석을 돕기 위해 감염 영역의 신뢰할 수 있는 시각화를 제공할 수 있는가?

주요 결과

• 모델은 여러 옵티마이저 선택에서 COVID 대 비-COVID 작업에서 경쟁력 있는 정확도를 달성한다(예: lr 0.001의 Adam은 0.907±0.001 정확도).
• lr 0.01의 BCE 손실 사용은 검증에서 0.920±0.001 정확도를 이끈다.
• 주의 맵(Grad-CAM 및 Grad-CAM++)은 주로 감염된 폐 영역을 강조하며 방사선 전문의 주석과 일치한다.
• 이 방법은 ROC 및 정밀도-재현 분석과 클래스 간 분리를 보여주는 예측 점수의 히스토그램을 제공한다.
• 데이터 증강으로 학습 샘플이 4배 증가하여 모델 성능이 향상되었다.
• 연구는 시각적으로 해석 가능한 주의 맵을 제공하고 슬라이딩 윈도우 차폐 방법으로 잠재적으로 감염된 영역의 히트맵을 생성한다.