[論文レビュー] Contextual Two-Stage U-Nets for Robust Pulmonary Lobe Segmentation in CT Scans of COVID-19 and COPD Patients

Weiyi Xie, Colin Jacobs+2 more|arXiv (Cornell University)|Apr 16, 2020

COVID-19 diagnosis using AI参考文献 47被引用数 2

ひとこと要約

本稿では、COVID-19およびCOPD患者のCT画像における肺葉分類を向上させるために、特徴間の視覚的および幾何的関係を捉える新しい非局所モジュールを備えた文脈的2段階U-Net、RTSU-Netを提案する。COPDGeneデータで事前学習し、470例のCOVID-19症例で微調整することで、重度に病変を有する肺でも頑健な性能を発揮し、3つのベースラインを上回る性能を達成した。

ABSTRACT

Pulmonary lobe segmentation in computed tomography scans is essential for regional assessment of pulmonary diseases. Recent works based on convolution neural networks have achieved good performance for this task. However, they are still limited in capturing structured relationships due to the nature of convolution. The shape of the pulmonary lobes affect each other and their borders relate to the appearance of other structures, such as vessels, airways, and the pleural wall. We argue that such structural relationships play a critical role in the accurate delineation of pulmonary lobes when the lungs are affected by diseases such as COVID-19 or COPD. In this paper, we propose a relational approach (RTSU-Net) that leverages structured relationships by introducing a novel non-local neural network module. The proposed module learns both visual and geometric relationships among all convolution features to produce self-attention weights. With a limited amount of training data available from COVID-19 subjects, we initially train and validate RTSU-Net on a cohort of 5000 subjects from the COPDGene study (4000 for training and 1000 for evaluation). Using models pre-trained on COPDGene, we apply transfer learning to retrain and evaluate RTSU-Net on 470 COVID-19 suspects (370 for retraining and 100 for evaluation). Experimental results show that RTSU-Net outperforms three baselines and performs robustly on cases with severe lung infection due to COVID-19.

研究の動機と目的

• COVID-19 や COPD などの重度の肺疾患を有する患者の CT 画像における正確な肺葉分類の課題に対処すること。
• 標準的な畳み込みニューラルネットワークが、肺葉と周囲の解剖的構造との間の構造的関係をモデル化する能力に制限を受ける問題を克服すること。
• 特徴間の文脈的関係（視覚的および幾何的）を活用して、病理的状態における分類の頑健性を向上させること。
• 大規模なCOPDGeneコhortデータで事前学習し、限られたCOVID-19データで微調整することで、一般化能力を維持したまま転移学習を活用すること。
• 肺構造が疾患によって歪められても高い性能を維持できる手法を開発すること。

提案手法

• 2段階U-Netアーキテクチャを採用し、1段階目で初期分類を生成し、2段階目で文脈的特徴を用いてそれを精緻化する。
• すべての特徴マップ間の視覚的類似性と幾何的関係に基づいて自己注意重みを計算する、新しい非局所ニューラルネットワークモジュールを導入する。
• 非局所モジュールは空間的位置間で特徴を集約し、肺葉間の依存関係を捉えるために重要な長距離依存関係をモデル化する。
• 一般肺構造を学習するために4,000例のCOPDGene被験者で事前学習を行い、疾患特異的適応のために370例のCOVID-19症例で微調整する。
• データ不足のCOVID-19コhortに対して一般化能力を維持したまま、データ不足を緩和するための転移学習を適用する。
• 最終モデルは、重度の疾患状態における頑健性を評価するために、100例の独立したCOVID-19症例で評価された。

実験結果

リサーチクエスチョン

• RQ1 肺葉と周囲の解剖的構造との間の構造的関係をモデル化することで、病変を有する肺における分類精度が向上するか？
• RQ2 視覚的および幾何的関係を特徴間で捉える非局所アテンション機構は、肺葉分類においてどの程度有効か？
• RQ3 大規模なCOPDGeneコhortで事前学習することで、小規模で病理的であるCOVID-19データセットにおける性能がどの程度向上するか？
• RQ4 標準的なU-Netベースラインと比較して、本手法はCOVID-19による重度の肺障害を有する症例においても頑健性を維持できるか？
• RQ5 健康な肺データから病変を有する肺データへの転移学習は、限られたアノテーション付きデータでより良い分類性能をもたらすか？

主な発見

• RTSU-Netは、COPDGeneおよびCOVID-19データセットの両方において、3つのベースラインモデルを上回る肺葉分類性能を示した。
• 病変を有する重度のCOVID-19感染肺において、標準的手法が困難とする状況でも、本手法は優れた頑健性を示した。
• 非局所モジュールによる視覚的および幾何的関係の統合は、境界の明確化と肺葉の一貫性を著しく向上させた。
• COPDGeneデータからの転移学習により、限られたCOVID-19コホートへの効果的適応が可能となり、データ不足にもかかわらず高い性能を達成した。
• 文脈的精緻化を備えた2段階設計により、組織コントラストが曖昧な領域における分類精度が向上した。
• 本手法は100例の独立したCOVID-19テストケースにおいても高い性能を維持し、臨床的文脈に即したシナリオにおける信頼性を確認した。