[论文解读] Automated detection and quantification of COVID-19 airspace disease on chest radiographs: A novel approach achieving radiologist-level performance using a CNN trained on digital reconstructed radiographs (DRRs) from CT-based ground-truth

Eduardo Jose Mortani Barbosa, Warren B. Gefter+14 more|arXiv (Cornell University)|Aug 13, 2020

COVID-19 diagnosis using AI参考文献 28被引用 5

一句话总结

本研究提出一种深度学习方法，使用卷积神经网络（CNN）在基于CT的真值生成的数字化重建放射影像（DRRs）上进行训练，以检测和量化胸部X光片（CXR）上的COVID-19相关肺泡病变。该方法达到放射科医生水平的准确性，预测值与真值之间平均绝对误差（MAE）为9.56%–9.78%，相关系数为0.78–0.81。

ABSTRACT

Purpose: To leverage volumetric quantification of airspace disease (AD) derived from a superior modality (CT) serving as ground truth, projected onto digitally reconstructed radiographs (DRRs) to: 1) train a convolutional neural network to quantify airspace disease on paired CXRs; and 2) compare the DRR-trained CNN to expert human readers in the CXR evaluation of patients with confirmed COVID-19. Materials and Methods: We retrospectively selected a cohort of 86 COVID-19 patients (with positive RT-PCR), from March-May 2020 at a tertiary hospital in the northeastern USA, who underwent chest CT and CXR within 48 hrs. The ground truth volumetric percentage of COVID-19 related AD (POv) was established by manual AD segmentation on CT. The resulting 3D masks were projected into 2D anterior-posterior digitally reconstructed radiographs (DRR) to compute area-based AD percentage (POa). A convolutional neural network (CNN) was trained with DRR images generated from a larger-scale CT dataset of COVID-19 and non-COVID-19 patients, automatically segmenting lungs, AD and quantifying POa on CXR. CNN POa results were compared to POa quantified on CXR by two expert readers and to the POv ground-truth, by computing correlations and mean absolute errors. Results: Bootstrap mean absolute error (MAE) and correlations between POa and POv were 11.98% [11.05%-12.47%] and 0.77 [0.70-0.82] for average of expert readers, and 9.56%-9.78% [8.83%-10.22%] and 0.78-0.81 [0.73-0.85] for the CNN, respectively. Conclusion: Our CNN trained with DRR using CT-derived airspace quantification achieved expert radiologist level of accuracy in the quantification of airspace disease on CXR, in patients with positive RT-PCR for COVID-19.

研究动机与目标

• 开发一种基于深度学习的准确量化方法，用于胸部X光片（CXR）上COVID-19相关肺泡病变（AD）的评估。
• 利用胸部CT获得的三维肺泡病变分割作为真值，并将其投影至二维DRRs以用于训练。
• 在DRRs上训练卷积神经网络（CNN），以预测CXR上基于面积的肺泡病变百分比（POa）。
• 将CNN的性能与专家放射科医生在检测和量化CXR上AD的表现进行比较。
• 建立一种临床可行的自动化工具，利用标准CXR对确诊COVID-19患者的疾病进展进行监测。

提出的方法

• 获取了86例确诊COVID-19患者组成的回顾性队列，其CT与CXR在48小时内内完成采集。
• 在CT扫描上进行手动三维肺泡病变（AD）分割，以建立基于体积的真值百分比（POv）。
• 将CT上的三维AD掩膜投影至二维前后位DRRs上，计算基于面积的AD百分比（POa），作为CXR的替代指标。
• 在更大规模的CT数据集（包含COVID-19和非COVID-19患者）生成的DRRs图像上训练卷积神经网络（CNN）。
• CNN经过优化，可自动分割肺部和AD，并输出CXR上的POa。
• 通过将CNN的POa预测结果与基于CT的真值（POv）以及两位专家放射科医生测量的POa进行比较，评估CNN的性能。

实验结果

研究问题

• RQ1 在基于CT真值生成的DRRs上进行训练的CNN，能否实现对CXR上肺泡病变的准确量化？
• RQ2 基于DRRs训练的CNN在测量CXR上AD负荷方面的表现，与专家放射科医生相比如何？
• RQ3 使用基于CT的体积分割作为真值，在多大程度上提升了基于CXR的疾病量化准确性？
• RQ4 DRR投影方法是否能有效模拟CXR的外观，同时保留疾病负荷信息以用于训练？
• RQ5 CNN的性能是否足够稳健，能够在临床评估中达到放射科医生水平的准确性，用于评估COVID-19相关肺部受累情况？

主要发现

• 当将CNN预测的POa与基于CT的真值（POv）比较时，CNN的自 resampling 平均绝对误差（MAE）为9.56%–9.78%。
• CNN在预测POa与POv之间表现出0.78–0.81的相关系数，表明与真值具有高度一致性。
• 两位专家读者的平均值的MAE为11.98% [11.05%–12.47%]，与POv的相关系数为0.77 [0.70–0.82]。
• CNN的性能在统计学上与专家放射科医生相当，且具有更低的MAE和略高的相关系数。
• 基于DRR的训练方法使CNN能够有效泛化至真实CXR图像，尽管其训练数据来自CT投影。
• 该方法成功将高精度的CT体积分割迁移至二维CXR，实现了自动化且准确的疾病量化。