[论文解读] Deep Radiomic Analysis for Predicting Coronavirus Disease 2019 in Computerized Tomography and X-ray Images

Ahmad Chaddad, Lama Hassan+1 more|PubMed|Jun 4, 2022

COVID-19 diagnosis using AI被引用 8

一句话总结

本文提出GMM-CNN，一种深度放射组学方法，通过使用高斯混合模型（GMM）对卷积神经网络（CNN）的特征分布进行建模，以提升胸部CT和X光片中的COVID-19检测效果。通过使用GMM编码CNN特征并输入随机森林分类器，该方法在测试中实现了97.00%的准确率和99.45%的AUC，显著优于标准CNN分类方法（p < 0.05）。

ABSTRACT

This article proposes to encode the distribution of features learned from a convolutional neural network (CNN) using a Gaussian mixture model (GMM). These parametric features, called GMM-CNN, are derived from chest computed tomography (CT) and X-ray scans of patients with coronavirus disease 2019 (COVID-19). We use the proposed GMM-CNN features as input to a robust classifier based on random forests (RFs) to differentiate between COVID-19 and other pneumonia cases. Our experiments assess the advantage of GMM-CNN features compared with standard CNN classification on test images. Using an RF classifier (80% samples for training; 20% samples for testing), GMM-CNN features encoded with two mixture components provided a significantly better performance than standard CNN classification ( ). Specifically, our method achieved an accuracy in the range of 96.00%-96.70% and an area under the receiver operator characteristic (ROC) curve in the range of 99.29%-99.45%, with the best performance obtained by combining GMM-CNN features from both CT and X-ray images. Our results suggest that the proposed GMM-CNN features could improve the prediction of COVID-19 in chest CT and X-ray scans.

研究动机与目标

• 为解决在标注数据有限时，深度学习模型在医学影像中出现过拟合的问题。
• 提升基于CNN的分类模型在区分胸部CT和X光片中COVID-19与其他病毒性肺炎时的泛化能力和鲁棒性。
• 通过使用高斯混合模型（GMM）对CNN特征的分布进行建模，构建一种紧凑且具有判别力的放射组学描述符。
• 通过使用鲁棒分类器融合CT和X光影像模态的特征，提升诊断性能。
• 建立一种最先进的AI辅助COVID-19检测方法，减少在有限医学数据集上的过拟合现象，并提升泛化能力。

提出的方法

• 从预训练的CNN（DarkNet和ResNet）中提取应用于COVID-19患者与非COVID-19患者胸部CT和X光片的特征。
• 使用具有k个分量（k=2或3）的高斯混合模型（GMM）对每个CNN激活图中的特征分布进行建模，从而生成一种紧凑的参数化描述符。
• 将GMM的参数（均值、协方差和混合权重）用作放射组学描述符，以表示深层特征的统计分布。
• 在GMM编码的特征上训练随机森林分类器，以区分COVID-19与非COVID-19肺炎病例。
• 通过多模态融合策略，结合CT和X光扫描的GMM-CNN特征，以提升诊断性能。
• 在随机森林分类器中应用自助聚合（bagging）策略，以减少过拟合并增强在小样本医学数据集上的泛化能力。

实验结果

研究问题

• RQ1 使用GMM对深层CNN特征的分布进行建模，是否能提升医学影像中COVID-19分类的泛化能力和鲁棒性？
• RQ2 在有限标注医学数据上训练时，所提出的GMM-CNN方法是否在准确率和AUC方面优于标准CNN分类方法？
• RQ3 在本诊断任务中，实现紧凑且具有判别力的特征表示时，最优的GMM分量数（k）是多少？
• RQ4 与单一模态相比，融合CT和X光影像模态的特征是否能带来更优的诊断性能？
• RQ5 GMM-CNN框架是否可有效应用于不同CNN架构（如DarkNet和ResNet）以增强诊断鲁棒性？

主要发现

• 当结合CT和X光影像的特征时，GMM-CNN方法实现了97.00%的准确率和99.45%的受试者工作特征曲线下面积（AUC），显著优于标准CNN分类方法（p < 0.05）。
• 仅使用两个GMM分量（k=2）进行特征编码已带来显著的性能提升，证明了紧凑参数化建模的有效性。
• 通过结合CT和X光扫描的GMM-CNN特征获得最佳性能，表明多模态融合可增强诊断能力。
• 在GMM-CNN特征上训练的随机森林分类器相比标准CNN微调方法，展现出更优的泛化能力和鲁棒性，尤其在小样本数据集上表现更佳。
• 该方法在文献中实现了最先进的AUC（99.45%），用于医学影像中的COVID-19检测，优于现有方法如Zhao等人和Khan等人提出的方法。
• 该方法在不同CNN架构（DarkNet和ResNet）上均表现出色，表明其在不同深度学习主干网络中的兼容性与可扩展性。