[論文レビュー] A novel unsupervised covid lung lesion segmentation based on the lung tissue identification

Faeze Gholamian Khah, Samaneh Mostafapour+3 more|arXiv (Cornell University)|Feb 24, 2022

COVID-19 diagnosis using AI被引用数 14

ひとこと要約

本論文は、感染患者と正常患者のそれぞれに対して別々に訓練された2つの自己教師あり残差ネットワーク（DL-Covid および DL-Norm）を活用し、CT画像におけるCOVID-19肺病変のセグメンテーションを無教師の深層学習フレームワークで提案する。病変マップは2つの確率マップの差分により生成され、手動セグメンテーションベンチマークにおいてDice係数0.67、Jaccard指数0.60を達成し、アノテート済みの病変データを一切必要としないにもかかわらず優れた性能を示している。

ABSTRACT

This study aimed to evaluate the performance of a novel unsupervised deep learning-based framework for automated infections lesion segmentation from CT images of Covid patients. In the first step, two residual networks were independently trained to identify the lung tissue for normal and Covid patients in a supervised manner. These two models, referred to as DL-Covid and DL-Norm for Covid-19 and normal patients, respectively, generate the voxel-wise probability maps for lung tissue identification. To detect Covid lesions, the CT image of the Covid patient is processed by the DL-Covid and DL-Norm models to obtain two lung probability maps. Since the DL-Norm model is not familiar with Covid infections within the lung, this model would assign lower probabilities to the lesions than the DL-Covid. Hence, the probability maps of the Covid infections could be generated through the subtraction of the two lung probability maps obtained from the DL-Covid and DL-Norm models. Manual lesion segmentation of 50 Covid-19 CT images was used to assess the accuracy of the unsupervised lesion segmentation approach. The Dice coefficients of 0.985 and 0.978 were achieved for the lung segmentation of normal and Covid patients in the external validation dataset, respectively. Quantitative results of infection segmentation by the proposed unsupervised method showed the Dice coefficient and Jaccard index of 0.67 and 0.60, respectively. Quantitative evaluation of the proposed unsupervised approach for Covid-19 infectious lesion segmentation showed relatively satisfactory results. Since this framework does not require any annotated dataset, it could be used to generate very large training samples for the supervised machine learning algorithms dedicated to noisy and/or weakly annotated datasets.

研究の動機と目的

• CTスキャンにおけるCOVID-19肺病変の自動セグメンテーションを目的とした無教師の深層学習フレームワークの開発。
• 病変レベルのアノテーションに依存することを回避し、肺組織同定にのみ依存することで、高コストで時間がかかる手動病変アノテーションの必要性を排除。
• 自己教師あり確率マップの差分処理を用いることで、病変セグメンテーションモデルの汎化性能とスケーラビリティを向上。
• 臨床的意義を確認するため、50例の手動セグメンテーション済みCOVID-19 CTスキャンデータセットを用いて本手法の妥当性を検証。

提案手法

• COVID-19患者および正常患者のボクセル単位の肺組織確率マップを生成するために、2つの独立した残差ネットワーク（DL-Covid および DL-Norm）を教師あり学習で訓練。
• 正常患者で訓練されたDL-Normモデルは、病理的パターンに不慣れなため、感染領域では低い確率スコアを出力する。
• 各ボクセルにおいて、DL-Normの確率マップをDL-Covidの確率マップから差し引くことで、病変確率マップを計算。
• 差分処理により、異常な強度およびテクスチャを示す組織特性の違いが強調され、感染に起因する領域が顕著に現れる。
• 本手法は、推論段階で事前学習済みモデルの出力のみに依存し、病変レベルのアノテーションは一切不要。
• 定量的評価のため、50例のCOVID-19 CTスキャンテストセット（手動セグメンテーション済み）を用いた外部検証を実施。

実験結果

リサーチクエスチョン

• RQ1 病変レベルのアノテーションを一切必要としない無教師の深層学習手法が、COVID-19 CTスキャンにおける正確な肺病変セグメンテーションを達成できるか？
• RQ2 正常患者と感染患者で訓練されたモデルの確率マップを差分処理することで、病変検出にどの程度有効か？
• RQ3 提案手法は、手動セグメンテーションとの高いDiceおよびJaccard類似度を示す、未観測の症例に対しても汎化可能か？
• RQ4 病変の重症度にばらつきがある実臨床CTデータに本手法を適用した場合、その性能はいかがなものか？

主な発見

• 提案された無教師手法は、検証データセットにおいて、病変セグメンテーションでDice係数0.67、Jaccard指数0.60を達成した。
• 外部検証では、肺セグメンテーション性能が優れており、正常例でDiceスコア0.985、COVID-19例で0.978を記録した。
• 正常と感染患者で訓練されたモデル間の確率マップの乖離を活用することで、病変が効果的に同定された。
• 本フレームワークは、アノテート済みの病変データを一切必要としないため、将来的な教師ありモデルの学習データをスケーラブルに生成可能である。
• 差分ベースのアプローチにより、疾患固有の監視信号に依存せず、病理的領域が効果的に強調された。