[논문 리뷰] Deep Learning for Reliable Classification of COVID-19, MERS, and SARS from Chest X-Ray Images

Anas Tahir, Yazan Qiblawey외 7명|arXiv (Cornell University)|2020. 05. 23.

COVID-19 diagnosis using AI인용 수 5

한 줄 요약

이 논문은 흉부 X선 영상에서 코로나19, MERS, SARS를 식별하기 위한 딥러닝 프레임워크를 제안한다. 이는 두 단계적 접근 방식을 사용한다: U-Net을 통한 폐 영역 분할 후, 사전 훈련된 CNN을 이용한 분류이다. 이 방법은 코로나19 검출에 있어 높은 민감도(최대 99.5%)를 달성하여, 임상 진단이 어려운 상황에서도 인공지능이 이러한 코로나바이러스 감염의 고유한 영상학적 패턴을 신뢰성 있게 식별할 수 있음을 보여준다.

ABSTRACT

Novel Coronavirus disease (COVID-19) is an extremely contagious and quickly spreading Coronavirus infestation. Severe Acute Respiratory Syndrome (SARS) and Middle East Respiratory Syndrome (MERS), which outbreak in 2002 and 2011, and the current COVID-19 pandemic are all from the same family of coronavirus. This work aims to classify COVID-19, SARS, and MERS chest X-ray (CXR) images using deep Convolutional Neural Networks (CNNs). A unique database was created, so-called QU-COVID-family, consisting of 423 COVID-19, 144 MERS, and 134 SARS CXR images. Besides, a robust COVID-19 recognition system was proposed to identify lung regions using a CNN segmentation model (U-Net), and then classify the segmented lung images as COVID-19, MERS, or SARS using a pre-trained CNN classifier. Furthermore, the Score-CAM visualization method was utilized to visualize classification output and understand the reasoning behind the decision of deep CNNs. Several Deep Learning classifiers were trained and tested; four outperforming algorithms were reported. Original and preprocessed images were used individually and all together as the input(s) to the networks. Two recognition schemes were considered: plain CXR classification and segmented CXR classification. For plain CXRs, it was observed that InceptionV3 outperforms other networks with a 3-channel scheme and achieves sensitivities of 99.5%, 93.1%, and 97% for classifying COVID-19, MERS, and SARS images, respectively. In contrast, for segmented CXRs, InceptionV3 outperformed using the original CXR dataset and achieved sensitivities of 96.94%, 79.68%, and 90.26% for classifying COVID-19, MERS, and SARS images, respectively. All networks showed high COVID-19 detection sensitivity (>96%) with the segmented lung images. This indicates the unique radiographic signature of COVID-19 cases in the eyes of AI, which is often a challenging task for medical doctors.

연구 동기 및 목표

• 흉부 X선 영상만을 사용하여 코로나19, MERS, SARS를 신뢰성 있게 구별할 수 있는 딥러닝 시스템을 개발하는 것.
• 초기 단계의 코로나바이러스 감염에서 진단 정확도가 낮은 문제를 해결하기 위해, 미세한 영상학적 패턴을 탐지할 수 있도록 AI를 활용하는 것.
• 연구를 위해 사용할 수 있는 새로운 공개 데이터셋(QU-COVID-family)을 구축하는 것. 이 데이터셋에는 423건의 코로나19, 144건의 MERS, 134건의 SARS 흉부 X선 영상이 포함되어 있음.
• 다단계 딥러닝 파이프라인에서 전체 영상과 분할된 폐 영상 입력을 조합하여 분류 성능을 향상시키는 것.

제안 방법

• 423건의 코로나19, 144건의 MERS, 134건의 SARS 흉부 X선 영상으로 구성된 맞춤형 데이터셋 QU-COVID-family를 구축함.
• X선 영상에서 폐 영역을 분할하기 위해 U-Net 기반의 합성곱 신경망을 사용하여 관심 영역을 고립함으로써 분류 성능을 향상시킴.
• 사전 훈련된 InceptionV3 및 기타 CNN 아키텍처를 사용하여 원본 및 분할된 흉부 X선 영상에서의 분류 작업에 대해 미세조정함.
• 두 가지 인식 방식을 평가함: 일반 CXR 분류와 분할된 CXR 분류. 이는 3채널 입력 표현 방식을 사용함.
• 모델 결정의 해석을 위해 Score-CAM 시각화 기법을 적용하여 모델이 질병 관련 폐 영역에 집중하고 있는지 검증함.
• 다양한 입력 유형과 네트워크 아키텍처를 대상으로 여러 딥러닝 모델을 훈련하고 비교하여 최고 성능을 보이는 구성 요소를 규명함.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 흉부 X선 영상만을 사용하여 코로나19, MERS, SARS를 신뢰성 있게 구별할 수 있는가?
• RQ2 X선 영상에서 폐 영역을 분할하면 전체 영상 사용 대비 코로나바이러스 유형의 분류 정확도가 향상되는가?
• RQ3 제안된 QU-COVID-family 데이터셋에서 이 세 가지 코로나바이러스 관련 질환을 분류하는 데 가장 우수한 성능을 보이는 사전 훈련된 CNN 아키텍처는 무엇인가?
• RQ4 모델은 각 바이러스의 고유한 영상학적 특징, 특히 코로나19의 경우를 어느 정도 탐지하는가?
• RQ5 딥러닝 모델의 결정은 얼마나 해석 가능하며, 임상적으로 관련 있는 폐 영역에 집중하는가?

주요 결과

• 3채널 입력 방식을 사용할 경우, InceptionV3는 일반 흉부 X선 영상에서 코로나19 분류에 대해 최고의 민감도 99.5%를 기록함.
• 분할된 폐 영상에서 InceptionV3는 코로나19에 대해 96.94%의 민감도, MERS에 대해 79.68%, SARS에 대해 90.26%의 민감도를 기록함.
• 모든 테스트된 네트워크는 분할된 폐 영상 사용 시 코로나19 검출에 대해 >96%의 높은 민감도를 보이며, 이는 이 조건에 대한 모델 일관성의 강도를 시사함.
• 분할된 CXR 분류 방식은 모델의 강인성과 해석 가능성을 향상시켰으며, Score-CAM은 병변이 있는 폐 영역을 강조함.
• QU-COVID-family 데이터셋은 향후 의료 영상 기반 코로나바이러스 분류 연구를 위한 유의미한 기준이 되는 자료를 제공함.
• 본 연구는 딥러닝이 임상의사가 일관되게 식별하기 어려운 코로나19의 미세하고 고유한 영상학적 패턴을 탐지할 수 있음을 입증함.