[论文解读] A Survey of Deep Learning Techniques for the Analysis of COVID-19 and their usability for Detecting Omicron

Asifullah Khan, Saddam Hussain Khan+4 more|arXiv (Cornell University)|Feb 13, 2022

COVID-19 diagnosis using AI被引用 5

一句话总结

本综述系统性地对使用X光和CT影像进行COVID-19诊断的深度学习（DL）技术进行了分类，将其组织为分类、分割和多阶段方法。评估了预训练和自定义卷积神经网络（CNN）架构，强调了互操作性和模态差异带来的挑战，并讨论了性能指标，为开发可适应新变异株（如Omicron）的DL工具提供了基础。

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.

研究动机与目标

• 为用于COVID-19影像分析的深度学习技术提供一个全面的分类体系，涵盖诊断策略和学习方法。
• 评估预训练和自定义卷积神经网络（CNN）在放射影像中分类和分割COVID-19感染方面的性能与局限性。
• 识别影响DL模型部署的跨平台互操作性和成像模态差异方面的关键挑战。
• 分析现有基于DL的COVID-19诊断系统所采用的方法学和性能指标。
• 评估当前DL技术适应新SARS-CoV-2变异株（尤其是Omicron）的潜力。

提出的方法

• 将DL技术分为三种主要诊断策略：用于图像级和区域级分析的分类、分割和多阶段方法。
• 回顾了预训练模型（如ResNet、DenseNet）和专为检测X光和CT扫描中COVID-19而设计的自定义CNN架构。
• 分析数据增强、迁移学习和微调对模型在多样化影像数据集上泛化能力和性能的影响。
• 通过比较不同研究中的准确率、AUC-ROC、敏感性和特异性等性能指标，评估诊断的可靠性。
• 讨论技术与临床挑战，包括数据集异质性、缺乏标准化以及医学影像中模型可解释性问题。
• 通过分析肺部病理形态差异，评估现有DL模型适应检测新变异株（如Omicron）的可行性。

实验结果

研究问题

• RQ1 不同深度学习架构在从X光和CT扫描中分类和分割COVID-19方面的表现如何？
• RQ2 在不同成像平台和模态之间部署DL模型时面临哪些关键挑战？
• RQ3 现有DL模型在多大程度上可被调整以检测新的SARS-CoV-2变异株（如Omicron）？
• RQ4 AUC-ROC和敏感性等性能指标在不同研究中如何变化？哪些因素影响这些差异？
• RQ5 在数据标准化、模型泛化能力和临床可用性方面存在哪些关键空白，阻碍了实际部署？

主要发现

• 预训练CNN（如DenseNet和ResNet）在从X光和CT影像中分类COVID-19时可实现高诊断准确率（通常>90%）。
• 基于分割的方法在定位感染区域方面表现更优，尤其是在多类和多标签设置中。
• 结合检测与分类的多阶段DL流程通过利用感兴趣区域的精细化处理，展现出性能提升。
• 研究间性能指标的显著差异主要归因于数据集规模、质量及预处理方法的不同。
• 跨平台互操作性和模态特异性差异（如X光与CT）仍是限制模型泛化能力和临床采纳的主要挑战。
• 本综述识别出对标准化数据集和基准测试协议的迫切需求，以实现对模型可靠评估，并使其能够适应Omicron等新兴变异株。