[论文解读] Coronavirus Detection and Analysis on Chest CT with Deep Learning

Ophir Gozes, Maayan Frid-Adar+4 more|arXiv (Cornell University)|Apr 6, 2020

COVID-19 diagnosis using AI参考文献 7被引用 104

一句话总结

本论文提出一个深度学习管道，利用2D切片分类、基于 Grad-CAM 的定位，以及用于逐例严重度估算的 corona score，在胸部 CT 上检测、定位和量化COVID-19表现，并在人群数据集上进行评估。

ABSTRACT

The outbreak of the novel coronavirus, officially declared a global pandemic, has a severe impact on our daily lives. As of this writing there are approximately 197,188 confirmed cases of which 80,881 are in "Mainland China" with 7,949 deaths, a mortality rate of 3.4%. In order to support radiologists in this overwhelming challenge, we develop a deep learning based algorithm that can detect, localize and quantify severity of COVID-19 manifestation from chest CT scans. The algorithm is comprised of a pipeline of image processing algorithms which includes lung segmentation, 2D slice classification and fine grain localization. In order to further understand the manifestations of the disease, we perform unsupervised clustering of abnormal slices. We present our results on a dataset comprised of 110 confirmed COVID-19 patients from Zhejiang province, China.

研究动机与目标

• 开发一个轻量级、弱监督的深度学习系统，用于在胸部 CT 扫描中检测 COVID-19 特征。
• 定位异常的肺组织并提供定量的疾病严重度分数。
• 通过将切片级结果汇聚成 3D 定位图和 corona score，支持逐例分析。
• 通过对异常和正常切片进行无监督聚类，探索疾病模式。
• 利用现有数据集来验证切片级、逐例检测和严重度估计。

提出的方法

• 使用带有预训练 ImageNet 编码器的 U-Net 进行肺区定位和 ROI 提取。
• 使用在 ImageNet 上预训练的 2D ResNet-50 分类器将肺 ROI 标注为正常 vs 异常（COVID-19）。
• 多尺度 Grad-CAM 以产生细粒度定位图，再融合以创建 3D corona score。
• 通过跨切片对高于阈值的局部激活进行求和，创建体积级疾病范围度量。
• 在 Grad-CAM 加权特征空间中进行无监督聚类（K 均值），以探索疾病表现。
• 在包含有无 COVID-19 确诊病例的开发集和测试集等数据集上进行评估。

实验结果

研究问题

• RQ1 基于 2D 切片的分类器是否能够在胸部 CT 上以高 AUC、敏感性和特异性检测 COVID-19 病变？
• RQ2 多尺度 Grad-CAM 定位是否能提供支持放射科医师的高精度细粒度定位？
• RQ3 体积级 corona score 是否与病例级疾病存在及放射科医师的严重度分级相关？
• RQ4 从 Grad-CAM 加权特征中关于疾病表现（正常、局灶性、弥漫性）能够出现何种无监督结构？

主要发现

• 切片级 COVID-19 检测达到 AUC 0.994，灵敏度 94%、特异性 98%（阈值 0.5）。
• corona score 在区分 COVID-19 与非 COVID-19 病例中获得 AUC 0.948（95% 置信区间：0.912-0.985）。
• corona score 分布在重症与非重症病例之间存在差异（中位数：61.5 cm3 对 227.5 cm3；p = 0.0064）。
• 3D 定位图为病例级疾病范围提供可视化，帮助放射科医师。
• 无监督聚类揭示了对应于 Normal、Focal、Diffuse 表现的不同组。
• 该方法利用弱的切片级注释和 Grad-CAM 指导来学习疾病模式。