[论文解读] M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging

Xuelin Qian, Huazhu Fu+5 more|arXiv (Cornell University)|Oct 7, 2020

COVID-19 diagnosis using AI参考文献 65被引用 5

一句话总结

本文提出 M3Lung-Sys，一种基于弱监督学习的双分支2D卷积神经网络系统，可从CT扫描中实现多类别肺部肺炎筛查（COVID-19、H1N1、CAP、健康），通过切片级和患者级分类网络实现高诊断准确率，并生成无需像素级标注的可解释性病灶定位图，其性能优于3D卷积神经网络基线模型，且训练成本显著降低。

ABSTRACT

To counter the outbreak of COVID-19, the accurate diagnosis of suspected cases plays a crucial role in timely quarantine, medical treatment, and preventing the spread of the pandemic. Considering the limited training cases and resources (e.g, time and budget), we propose a Multi-task Multi-slice Deep Learning System (M3Lung-Sys) for multi-class lung pneumonia screening from CT imaging, which only consists of two 2D CNN networks, i.e., slice- and patient-level classification networks. The former aims to seek the feature representations from abundant CT slices instead of limited CT volumes, and for the overall pneumonia screening, the latter one could recover the temporal information by feature refinement and aggregation between different slices. In addition to distinguish COVID-19 from Healthy, H1N1, and CAP cases, our M 3 Lung-Sys also be able to locate the areas of relevant lesions, without any pixel-level annotation. To further demonstrate the effectiveness of our model, we conduct extensive experiments on a chest CT imaging dataset with a total of 734 patients (251 healthy people, 245 COVID-19 patients, 105 H1N1 patients, and 133 CAP patients). The quantitative results with plenty of metrics indicate the superiority of our proposed model on both slice- and patient-level classification tasks. More importantly, the generated lesion location maps make our system interpretable and more valuable to clinicians.

研究动机与目标

• 开发一种在COVID-19大流行期间成本低廉、可扩展的深度学习系统，用于多类别肺部肺炎筛查。
• 通过仅使用患者级标签的弱监督学习方法，解决标注数据有限的挑战。
• 在实现切片级和患者级分类的同时，生成可解释的病灶定位图。
• 通过使用两个2D卷积神经网络替代3D网络架构，相比3D卷积神经网络显著降低计算成本。
• 通过提供模型预测的可视化解释，提升临床实用性，为放射科医生提供支持。

提出的方法

• 系统使用切片级分类网络从单个CT切片中提取特征，预测病灶存在与否及多类别肺炎类型。
• 患者级分类网络通过特征精炼和时序建模，聚合跨切片的特征，以提升诊断准确率。
• 最终的患者级预测通过非参数化整体评估方法计算，结合切片级概率，其中健康分类的阈值T=0.99。
• 通过利用切片级网络中的注意力机制和概率图，无需像素级标注即可生成病灶定位图。
• 模型仅使用患者级标签进行端到端训练，避免了昂贵的像素级分割标注。
• 该架构设计计算效率高，避免了3D卷积神经网络带来的高内存占用和训练成本。

实验结果

研究问题

• RQ1 弱监督2D卷积神经网络系统是否能在无像素级标注的情况下，实现从CT扫描中对多类别肺部肺炎分类的高准确率？
• RQ2 该系统是否能有效定位CT切片中的病灶，以提升对临床医生的可解释性？
• RQ3 双分支2D卷积神经网络设计（切片级与患者级）是否在诊断性能上优于3D卷积神经网络，同时降低训练成本？
• RQ4 该系统是否能以高敏感性和特异性区分COVID-19、H1N1、CAP和健康病例？
• RQ5 非参数化整体评估策略在将切片级预测聚合为最终患者级诊断方面表现如何？

主要发现

• M3Lung-Sys系统在四种类别的肺部肺炎（健康、COVID-19、H1N1、CAP）的切片级和患者级分类任务中均表现出优越性能。
• 在包含292名患者的测试集上（102名健康，96例COVID-19，41例H1N1，53例CAP），该模型展现出高诊断准确率，且对昂贵标注的依赖极低。
• 系统在无需任何像素级监督的情况下生成了可解释的病灶定位图，增强了临床信任度和诊断洞察力。
• 双分支2D卷积神经网络设计显著降低了训练成本，同时在关键指标上保持或超越了3D卷积神经网络的性能。
• 非参数化整体评估策略有效整合了切片级预测，其中健康分类的阈值T=0.99，实现了稳健的患者级诊断。
• 尽管仅使用2D卷积，该模型在效率和临床可解释性方面仍优于现有3D卷积神经网络基线模型。