[论文解读] AI-MIA: COVID-19 Detection & Severity Analysis through Medical Imaging

Dimitrios Kollias, Αναστάσιος Αρσένος+1 more|Lincoln Repository (University of Lincoln)|Jun 9, 2022

COVID-19 diagnosis using AI被引用 4

一句话总结

本文提出了一种基于CNN-RNN的深度学习基线模型，用于使用新构建的大规模3D CT扫描数据库（COV19-CT-DB，约7,700例扫描）进行COVID-19检测与严重程度分类。该模型通过ResNet50提取每张2D轴向切片的特征，并利用GRU进行时序建模，检测任务的宏平均F1得分为0.77，严重程度分类任务为0.63，为未来基于AI的COVID-19医学影像研究设立了基准。

ABSTRACT

This paper presents the baseline approach for the organized 2nd Covid-19 Competition, occurring in the framework of the AIMIA Workshop in the European Conference on Computer Vision (ECCV 2022). It presents the COV19-CT-DB database which is annotated for COVID-19 detction, consisting of about 7,700 3-D CT scans. Part of the database consisting of Covid-19 cases is further annotated in terms of four Covid-19 severity conditions. We have split the database and the latter part of it in training, validation and test datasets. The former two datasets are used for training and validation of machine learning models, while the latter will be used for evaluation of the developed models. The baseline approach consists of a deep learning approach, based on a CNN-RNN network and report its performance on the COVID19-CT-DB database.

研究动机与目标

• 开发一种稳健的深度学习基线模型，用于从3D胸部CT扫描中自动检测COVID-19。
• 利用新整理的大规模CT扫描数据库，实现对COVID-19病例的严重程度分类。
• 提供一个标准化的基准数据集（COV19-CT-DB），包含专家标注的检测与严重程度分级结果。
• 评估CNN-RNN架构在临床环境下，针对多标签、多实例医学图像分类任务的性能。
• 支持可解释且具备泛化能力的AI模型的发展，以辅助疫情响应中的放射科决策支持。

提出的方法

• 将3D CT扫描处理为2D轴向切片的序列，每张切片经Hounsfield单位截断（窗宽/窗位：350/−1150 HU）后，缩放为224×224×3，并归一化至[0,1]。
• 使用ResNet50作为CNN主干网络，从每张2D切片中提取空间特征，随后进行全局平均池化、批归一化和Dropout（保留概率为0.8）。
• 使用具有128个单元的一维GRU，对所有切片的CNN提取特征序列进行处理，以建模3D容积中的时序依赖关系。
• 输出层包含两个神经元，采用Softmax激活函数，生成COVID-19与非COVID-19诊断的类别概率。
• 采用“至少一个”投票策略：若任意切片被预测为COVID-19，则整幅扫描被分类为阳性。
• 模型在Tesla V100 GPU上使用Adam优化器进行训练，基础初始学习率为10⁻⁴，批量大小为5，损失函数为二元交叉熵。

实验结果

研究问题

• RQ1 CNN-RNN架构能否仅依赖全扫描标签而无需切片级标注，有效分类3D胸部CT扫描中的COVID-19存在？
• RQ2 所提出的模型在检测准确率与严重程度分类方面，对未见CT扫描的泛化能力如何？
• RQ3 在具有专家标注严重程度的大型、多中心、多扫描仪3D CT数据库上，可实现怎样的性能表现？
• RQ4 通过RNN对CT切片进行序列建模，相较于标准2D或3D CNN，能在多大程度上提升诊断性能？
• RQ5 在多实例学习设置下，不同投票策略（如“至少一个”与“多数”）对最终分类结果的影响如何？

主要发现

• 基线CNN-RNN模型在验证集上的COVID-19检测任务中取得了0.77的宏平均F1得分，表明其在CT扫描二分类任务中表现强劲。
• 在更复杂的严重程度分类任务中，模型取得了0.63的宏平均F1得分，表明其具备可行性，但多类别严重程度预测仍有改进空间。
• 数据集COV19-CT-DB包含约7,700例3D CT扫描，检测任务的训练集为258例，验证集为61例，严重程度分类任务采用相似的划分方式。
• 模型依赖于“至少一个”投票策略，确保即使仅有一张可疑切片也能触发阳性诊断，与临床对敏感度的优先需求保持一致。
• 采用ResNet50作为特征提取器，并结合GRU的序列建模，即使缺乏切片级标注，也能有效理解3D上下文信息。
• 本研究为未来在疫情响应背景下，基于AI的传染病肺部疾病医学影像研究建立了可复现的基线。