[論文レビュー] Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images

Deng-Ping Fan, Tao Zhou+6 more|arXiv (Cornell University)|Apr 22, 2020

COVID-19 diagnosis using AI参考文献 77被引用数 15

ひとこと要約

本稿では、implicit reverse attentionとexplicit edge-attentionメカニズムを活用して境界検出と表現学習を向上させることで、COVID-19 CT画像における肺感染症の自動セグメンテーションを実現する深層学習フレームワーク、Inf-Netを提案する。さらに、少数のラベル付きデータと豊富なラベルなしデータを用いた半教師あり学習戦略を導入し、合成および実世界のCTボリュームの両方で最先端の性能を達成した。Diceスコアは最大0.894、MAEは最小0.064を記録した。

ABSTRACT

Coronavirus Disease 2019 (COVID-19) spread globally in early 2020, causing the world to face an existential health crisis. Automated detection of lung infections from computed tomography (CT) images offers a great potential to augment the traditional healthcare strategy for tackling COVID-19. However, segmenting infected regions from CT slices faces several challenges, including high variation in infection characteristics, and low intensity contrast between infections and normal tissues. Further, collecting a large amount of data is impractical within a short time period, inhibiting the training of a deep model. To address these challenges, a novel COVID-19 Lung Infection Segmentation Deep Network (Inf-Net) is proposed to automatically identify infected regions from chest CT slices. In our Inf-Net, a parallel partial decoder is used to aggregate the high-level features and generate a global map. Then, the implicit reverse attention and explicit edge-attention are utilized to model the boundaries and enhance the representations. Moreover, to alleviate the shortage of labeled data, we present a semi-supervised segmentation framework based on a randomly selected propagation strategy, which only requires a few labeled images and leverages primarily unlabeled data. Our semi-supervised framework can improve the learning ability and achieve a higher performance. Extensive experiments on our COVID-SemiSeg and real CT volumes demonstrate that the proposed Inf-Net outperforms most cutting-edge segmentation models and advances the state-of-the-art performance.

研究の動機と目的

• ぼやけた境界と限られたアノテーションデータによる、COVID-19 CTスキャンにおける低コントラストで多様性の高い肺感染症のセグメンテーションの課題に対処する。
• 高品質でピクセルレベルのアノテーションが限られたCTスキャンの不足を補うために、ラベルなしデータを活用する半教師あり学習フレームワークを開発する。
• ほとんどのCTスライスが非感染である臨床現場の現実世界環境において、強力な一般化性能を必要とするセグメンテーション性能を向上させる。
• COVID-19にとどまらず、ポリープや欠陥検出などの低コントラストオブジェクトセグメンテーションタスクにも応用可能な汎用性の高いフレームワークを設計する。

提案手法

• 高レベル特徴を統合し、感染症の局所化を向上させるためのグローバルコンテキストマップを生成するための並列部分デコーダを導入する。
• 背景を抑制し、感染症領域を強調することで特徴表現を向上させるimplicit reverse attentionを採用する。
• 感染症領域と正常な肺組織の境界を精緻に修正し、病変縁のセグメンテーション精度を向上させるexplicit edge-attentionを統合する。
• ラベルなしCTスライスを効果的に活用するためのランダム伝搬を用いた半教師あり学習戦略を提案する。
• 実世界のデータ不足を模倣するために、100枚のラベル付き感染スライスと1,600枚のラベルなしスライスを組み合わせてモデルを学習する。
• 2段階のトレーニングパイプラインを採用：まずラベル付きデータで事前学習し、その後半教師あり戦略を用いて微調整することで、感染症スライスおよび非感染スライスの両方の性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 高患者間変動が著しい中で、低コントラストで不規則な形状の肺感染症を、ぼやけた境界を抱えながらも、深層学習モデルが効果的にセグメンテーションできるか？
• RQ2 限られたアノテーション付きデータを前提とした医療画像セグメンテーションにおいて、アテンションメカニズムが境界検出と表現学習をどのように向上させられるか？
• RQ3 半教師あり学習アプローチは、高価なピクセルレベルのアノテーションの必要性をどの程度低減できるか？また、セグメンテーション精度を維持または向上させられるか？
• RQ4 非感染スライスの割合が高い実世界のCTボリュームにおいて、提案フレームワークは性能劣化を伴わず一般化可能か？
• RQ5 Inf-Netアーキテクチャは、COVID-19にとどまらず、低コントラストまたはカモフラージュされたオブジェクトを含む他の医療画像タスクにも移植可能か？

主な発見

• COVID-SemiSegデータセットでは、Inf-NetはDiceスコア0.894を達成し、ベースラインのU-Net（0.736）に対して12.5%の向上を示した。MAEは0.064であった。
• 半教師ありバージョンであるSemi-Inf-Netは、実CTボリュームにおいてもDiceスコア0.894、MAE 0.033を達成し、すべてのベースラインを上回った。
• 638枚のスライス（非感染285枚、感染353枚）を含む実CTボリュームにおいて、Inf-Netは強力なロバストネスを示し、Diceスコア0.579、MAE 0.047を達成。U-NetおよびAttention-UNetを著しく上回った。
• アブレーションスタディにより、並列部分デコーダ、リバースアテンション、エッジアテンションの組み合わせが最良のパフォーマンスをもたらし、Diceスコアが0.739から0.894に向上した。
• 半教師ありトレーニング戦略により、1,600枚のラベルなしスライスを効果的に活用し、完全教師あり学習と比較してMAEを43%低減した。これは優れたデータ効率性を示している。
• 実ボリュームにおいて、モデルは高い特異性（0.977）と陽性予測値（0.515）を維持した。非感染スライスにおける誤検出が低減していることを示し、優れた一般化性能を示している。