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

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

COVID-19 diagnosis using AI被引用数 39

ひとこと要約

本論文では、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目的とした深層学習フレームワーク、Inf-Netを提案する。並列部分デコーダー、暗黙的逆注意、明示的エッジ注意を組み合わせることで、境界検出と表現学習を向上させる。限定的なラベル付きデータと豊富なラベルなしデータを活用する半教師あり戦略を採用し、モデルの汎化性能とセグメンテーション精度を顕著に向上させる。

ABSTRACT

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

• 感染パターンの高いばらつきと低対比性のため、COVID-19 CT画像における肺感染症セグメンテーションの正確性を確保する課題に対処すること。
• アノテート済みデータセットの規模が小さいという制限を克服するため、ラベルなしデータを効果的に活用する半教師あり学習フレームワークを開発すること。
• 注意メカニズムを用いて特徴表現と境界局在を向上させることで、セグメンテーション性能を向上させること。
• 深層学習を用いた感染性肺疾患の医用画像セグメンテーション分野における最先端技術を前進させること。

提案手法

• 高レベル特徴の集約とグローバルコンテキストマップの生成を可能にする並列部分デコーダーを採用し、セグメンテーションの文脈を向上させる。
• 不確実性の高い領域に注目することで特徴マップを精緻化する暗黙的逆注意を導入し、特徴の識別能を向上させる。
• 境界領域に注目することで、感染肺領域の局在精度を向上させる明示的エッジ注意を適用する。
• ラベルなしデータを活用しながらラベル付き例への依存度を最小限に抑えるために、ランダムに選択された伝搬戦略を用いる半教師あり学習フレームワークを提案する。
• 限定的なアノテート済みデータと多数のラベルなしCTボリュームを組み合わせて、エンドツーエンドでモデルを学習させ、汎化性能を向上させる。
• フレームワークの有効性を検証するため、提案されたCOVID-SemiSegデータセットおよび実臨床CTボリュームの両方で評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 低対比性と感染パターンの高いばらつきがあるにもかかわらず、深層学習モデルがCOVID-19 CT画像における肺感染症セグメンテーションを優れた性能で達成できるか？
• RQ2 ラベル付きCT画像が少数しかない状況で、半教師あり学習戦略がセグメンテーション性能をどの程度向上できるか？
• RQ3 暗黙的逆注意と明示的エッジ注意の両方の注意メカニズムが、境界検出と特徴表現をどの程度向上させるか？
• RQ4 提案されたInf-Netフレームワークが、実世界およびベンチマーク用CTデータセットにおいて、既存の最先端セグメンテーションモデルを上回るか？

主な発見

• Inf-Netは、COVID-SemiSegデータセットおよび実臨床CTボリュームの両方で最先端の性能を達成し、既存のセグメンテーションモデルを上回っている。
• 半教師ありフレームワークにより、ラベル付きデータが最小限であっても、大量のラベルなしデータを効果的に活用することで、モデル性能が顕著に向上した。
• 暗黙的逆注意と明示的エッジ注意の統合により、境界の正確な局在と強化された特徴表現が実現された。
• 並列部分デコーダーはグローバルコンテキストを効果的に捉えており、セグメンテーションの一貫性と耐障害性の向上に寄与している。
• 多様なCTスキャンに対して強い汎化能力を示しており、データ不足の状況下でも臨床応用が可能であることを示している。
• 大規模なアノテート済みデータセットへの依存度を低減したため、新興感染症の発生時における迅速な展開に適している。