[論文レビュー] Automated lung segmentation from CT images of normal and COVID-19 pneumonia patients

Faeze Gholamiankhah, Samaneh Mostafapour+5 more|arXiv (Cornell University)|Apr 5, 2021

COVID-19 diagnosis using AI被引用数 10

ひとこと要約

本研究では、正常およびCOVID-19肺炎患者のCT画像における自動肺分離を目的としたディーブラーニングベースの残差ニューラルネットワークを提案する。手動／準自動的に生成されたマスクを用いて1,200例の確定COVID-19症例で訓練されたモデルは、正常被験者ではDice類似係数（DSC）0.980、COVID-19患者では0.971を達成し、疾患に起因する異常が生じても高い精度と頑健性を示すことが確認された。

ABSTRACT

Automated semantic image segmentation is an essential step in quantitative image analysis and disease diagnosis. This study investigates the performance of a deep learning-based model for lung segmentation from CT images for normal and COVID-19 patients. Chest CT images and corresponding lung masks of 1200 confirmed COVID-19 cases were used for training a residual neural network. The reference lung masks were generated through semi-automated/manual segmentation of the CT images. The performance of the model was evaluated on two distinct external test datasets including 120 normal and COVID-19 subjects, and the results of these groups were compared to each other. Different evaluation metrics such as dice coefficient (DSC), mean absolute error (MAE), relative mean HU difference, and relative volume difference were calculated to assess the accuracy of the predicted lung masks. The proposed deep learning method achieved DSC of 0.980 and 0.971 for normal and COVID-19 subjects, respectively, demonstrating significant overlap between predicted and reference lung masks. Moreover, MAEs of 0.037 HU and 0.061 HU, relative mean HU difference of -2.679% and -4.403%, and relative volume difference of 2.405% and 5.928% were obtained for normal and COVID-19 subjects, respectively. The comparable performance in lung segmentation of the normal and COVID-19 patients indicates the accuracy of the model for the identification of the lung tissue in the presence of the COVID-19 induced infections (though slightly better performance was observed for normal patients). The promising results achieved by the proposed deep learning-based model demonstrated its reliability in COVID-19 lung segmentation. This prerequisite step would lead to a more efficient and robust pneumonia lesion analysis.

研究の動機と目的

• 正常およびCOVID-19肺炎患者のCT画像に対する信頼性の高い自動肺分離手法の開発。
• COVID-19による重度の肺障害を示す患者を含む多様な患者集団におけるモデル性能の評価。
• 肺疾患における肺病変の定量的分析のための堅牢な前処理手順の確立。
• 正常肺とCOVID-19に影響を受ける肺の間での分離精度を、複数の定量的指標を用いて比較。
• 疾病の進行状況のモニタリングや治療反応の評価などの後続応用を支援する。

提案手法

• 1,200例の確定COVID-19CT画像と対応する参照肺マスクを用いて、残差ニューラルネットワーク（ResNet）を訓練した。
• 高品質な真値を保証するため、準自動的および手動による分離を用いて参照肺マスクを生成した。
• モデルは、120例の正常および120例のCOVID-19患者から成る2つの独立した外部テストデータセットで評価された。
• 標準指標を用いて性能を評価した：Dice類似係数（DSC）、平均絶対誤差（MAE）、相対的平均Hounsfield単位（HU）差、および相対的体積差。
• 深層学習における勾配の流れと学習安定性の向上を目的として、スキップ接続をネットワークアーキテクチャに活用した。
• モデルの一般化性能を向上させるために、データ拡張および正規化技術が適用された。

実験結果

リサーチクエスチョン

• RQ1 重度のCOVID-19肺炎を示す患者のCT画像において、ディープラーニングモデルが高精度な肺分離を達成できるか。
• RQ2 COVID-19に影響を受ける肺におけるモデル性能は、正常肺における性能と比べてどの程度か。
• RQ3 COVID-19患者に認められる肺浸潤およびガラス状混濁が、分離精度にどの程度の影響を及えるか。
• RQ4 モデルは、多様な患者の人口統計的特徴およびスキャンプロトコルにわたっても高い性能を維持できるほど頑健か。
• RQ5 自動肺分離は、肺炎における肺病変のその後の定量的分析の信頼性の高い基盤として機能できるか。

主な発見

• 正常被験者では、Dice類似係数（DSC）が0.980に達し、参照肺マスクとほぼ完全に一致していることを示した。
• COVID-19患者ではDSCが0.971に達し、広範な肺への影響が見られる状況でも強力な分離性能を示した。
• 平均絶対誤差（MAE）は、正常被験者で0.037 HU、COVID-19患者で0.061 HUであり、強度の高精度性を反映している。
• 相対的平均HU差は、正常被験者で-2.679%、COVID-19患者で-4.403%であり、HU値のわずかなずれを示している。
• 相対的体積差は、正常被験者で2.405%、COVID-19患者で5.928%であり、体積推定の精度が許容範囲内にあることを示している。
• モデルは正常肺ではわずかに高い性能を示したが、COVID-19に影響を受ける肺に対しても依然として高い精度を達成しており、その頑健性が確認された。