[论文解读] Classification and Region Analysis of COVID-19 Infection using Lung CT Images and Deep Convolutional Neural Networks

Saddam Hussain Khan, Anabia Sohail+2 more|arXiv (Cornell University)|Sep 16, 2020

COVID-19 diagnosis using AI被引用 7

一句话总结

本文提出了一种基于肺部CT图像的两阶段深度学习框架，用于分类和分割COVID-19感染。该框架采用小波增强特征提取，使用定制的卷积神经网络（CoV-CTNet）进行分类，并引入一种新型分割模型（CoV-RASeg），结合混合池化与注意力机制，在标准数据集上实现了0.98的MCC和0.95的Dice分数。

ABSTRACT

COVID-19 is a global health problem. Consequently, early detection and analysis of the infection patterns are crucial for controlling infection spread as well as devising a treatment plan. This work proposes a two-stage deep Convolutional Neural Networks (CNNs) based framework for delineation of COVID-19 infected regions in Lung CT images. In the first stage, initially, COVID-19 specific CT image features are enhanced using a two-level discrete wavelet transformation. These enhanced CT images are then classified using the proposed custom-made deep CoV-CTNet. In the second stage, the CT images classified as infectious images are provided to the segmentation models for the identification and analysis of COVID-19 infectious regions. In this regard, we propose a novel semantic segmentation model CoV-RASeg, which systematically uses average and max pooling operations in the encoder and decoder blocks. This systematic utilization of max and average pooling operations helps the proposed CoV-RASeg in simultaneously learning both the boundaries and region homogeneity. Moreover, the idea of attention is incorporated to deal with mildly infected regions. The proposed two-stage framework is evaluated on a standard Lung CT image dataset, and its performance is compared with the existing deep CNN models. The performance of the proposed CoV-CTNet is evaluated using Mathew Correlation Coefficient (MCC) measure (0.98) and that of proposed CoV-RASeg using Dice Similarity (DS) score (0.95). The promising results on an unseen test set suggest that the proposed framework has the potential to help the radiologists in the identification and analysis of COVID-19 infected regions.

研究动机与目标

• 开发一种自动化系统，用于早期检测和分析肺部CT扫描中的COVID-19。
• 通过深度学习提高将CT图像分类为感染或非感染状态的准确性。
• 通过新型分割模型精确勾勒肺部CT图像中的感染区域。
• 通过注意力机制应对检测轻度感染区域的挑战。
• 在标准数据集上验证该框架，并与现有深度卷积神经网络模型进行性能比较。

提出的方法

• 应用两级离散小波变换，以增强肺部CT图像中与COVID-19相关的特征。
• 设计一种定制的深度卷积神经网络（CoV-CTNet），用于将CT图像二值分类为感染或非感染。
• 提出一种新型语义分割模型（CoV-RASeg），在编码器和解码器模块中均集成平均池化与最大池化。
• 在CoV-RASeg中引入注意力机制，以提升对轻度感染区域的检测能力。
• 采用两阶段流程：首先通过CoV-CTNet进行分类，然后通过CoV-RASeg对阳性病例进行分割。
• 在标准肺部CT图像数据集上评估该框架，采用 Matthews 相关系数（MCC）和 Dice 相似度（DS）等指标进行评估。

实验结果

研究问题

• RQ1 基于小波的增强是否能提升肺部CT图像在COVID-19检测中的判别性特征？
• RQ2 所提出的CoV-CTNet在将肺部CT扫描分类为COVID-19阳性或阴性方面效果如何？
• RQ3 CoV-RASeg模型是否能准确分割CT图像中的感染区域，同时保持边界细节与区域同质性？
• RQ4 注意力机制的集成在多大程度上提升了对轻度感染区域的检测能力？
• RQ5 所提出的两阶段框架在分类与分割性能方面与现有深度卷积神经网络模型相比表现如何？

主要发现

• 所提出的CoV-CTNet在测试集上实现了0.98的Matthews相关系数（MCC），表明其具有出色的分类性能。
• CoV-RASeg分割模型实现了0.95的Dice相似度（DS）分数，表明其在识别感染区域方面具有高精度。
• CoV-RASeg中平均池化与最大池化的集成，显著提升了边界检测能力与分割区域的同质性。
• 注意力机制显著增强了模型检测轻度感染区域的能力，而这些区域通常难以分割。
• 两阶段框架在标准数据集上的分类与分割任务中均优于现有深度卷积神经网络模型。
• 结果表明，该框架在辅助放射科医生进行COVID-19感染的临床诊断与分析方面具有强大潜力。