[論文レビュー] Label-Free Segmentation of COVID-19 Lesions in Lung CT

Qingsong Yao, Li Xiao+2 more|arXiv (Cornell University)|Sep 8, 2020

COVID-19 diagnosis using AI参考文献 54被引用数 5

ひとこと要約

本稿では、正常な肺組織のパターンを、合成された「病変」を正常CTボリュームから区別する代理タスクを通じてモデル化することで、ラベルなしの3D U-Netベースの手法であるNormNetを提案する。この手法は、3つの公的データセットにおいて、ラベルなしの病変セグメンテーションで最先端の性能を達成し、病変のアノテーションを一切必要としない既存のラベルなし異常検出手法を上回る。

ABSTRACT

Scarcity of annotated images hampers the building of automated solution for reliable COVID-19 diagnosis and evaluation from CT. To alleviate the burden of data annotation, we herein present a label-free approach for segmenting COVID-19 lesions in CT via pixel-level anomaly modeling that mines out the relevant knowledge from normal CT lung scans. Our modeling is inspired by the observation that the parts of tracheae and vessels, which lay in the high-intensity range where lesions belong to, exhibit strong patterns. To facilitate the learning of such patterns at a pixel level, we synthesize `lesions' using a set of surprisingly simple operations and insert the synthesized `lesions' into normal CT lung scans to form training pairs, from which we learn a normalcy-converting network (NormNet) that turns an 'abnormal' image back to normal. Our experiments on three different datasets validate the effectiveness of NormNet, which conspicuously outperforms a variety of unsupervised anomaly detection (UAD) methods.

研究の動機と目的

• 自動診断および病変セグメンテーションのための信頼性の高いディープラーニングモデルの開発を阻害する、アノテート済みCOVID-19 CTデータセットの不足に対処する。
• 特にCOVID-19病変の外観が複雑かつ多様であることに鑑み、3D CTボリュームの専門家によるアノテーションの高コストおよび時間的負担を軽減する。
• 正常肺組織の規則的なパターンを活用することで、病変レベルのアノテーションが一切不要な病変セグメンテーション手法を開発する。
• 正常CTスキャンに合成病変を挿入することで、正常性を認識するネットワーク（NormNet）を学習するための代理学習タスクを確立する。

提案手法

• ランダムな形状生成、ノイズ注入、フィルタリングなどの単純な操作を用いて、多様な「病変」を合成し、多様な合成異常を含むライブラリを構築する。
• 実際の正常CTスキャンに合成病変を挿入することで、正常および「異常」画像のペairedトレーニングデータを、代理タスク用に構築する。
• 3D U-Netベースの正常性認識ネットワーク（NormNet）を訓練し、健康な組織と合成病変を区別する。これにより、ボクセルレベルでのきめ細やかな意思決定境界を学習する。
• トレーニングのための正例を「健康な組織」（空気ボクセルを除く）として定義することで、低強度の空気領域への過学習を回避し、高強度の正常組織への感受性を向上させる。
• 学習されたNormNetを用いて、実際のCOVID-19 CTスキャンにおける異常を検出する。正常組織境界外のボクセルは、潜在的な病変として分類される。
• ネットワーク出力に対してしきい値処理を適用することで、最終的な病変セグメンテーションマスクを生成する。この意思決定境界は、直接的な監視が行われていないにもかかわらず、実際のCOVID-19病変に一般化可能である。

実験結果

リサーチクエスチョン

• RQ1 正常肺組織のパターンをモデル化することで、病変アノテーションが一切ない状況下でも、深層学習モデルがCOVID-19病変を検出できるか？
• RQ2 正常CTスキャンに挿入された合成病変を用いた代理タスクが、実際のCOVID-19病変に対するボクセルレベルの異常検出を効果的に可能にするか？
• RQ3 提案手法のラベルなし手法の性能は、公的COVID-19 CTデータセットにおいて、既存のラベルなし異常検出技術と比較してどのように異なるか？
• RQ4 モデルの主な失敗モードは何か？ また、データセット固有のばらつきや低強度ノイズは、セグメンテーションの信頼性にどのように影響するか？

主な発見

• NormNetは、3つの公的COVID-19データセットにおいて、複数の最先端のラベルなし異常検出（UAD）手法を顕著に上回り、病変アノテーションが一切ない状況でも優れた一般化性能を示す。
• SIRM-SegおよびUESTCデータセットでは高いDiceスコアを達成し、それぞれDice係数が0.72および0.68を記録しており、強力な病変セグメンテーション性能を示している。
• 合成病変の直接的セグメンテーションを目的とせず、健康な組織の検出を目的とした学習が、より良い性能をもたらす。これは、高強度の正常構造への感受性を向上させ、誤検出を低減するためである。
• 失敗解析の結果、モデルはしばしば非COVID-19病変（例：肺線維化）を病変として誤分類することが判明し、COVID-19パターンへの特異性が限定的であることが示された。
• 異なるスライス厚さや再構成法（例：Radiopedia）を有するデータセットでは、分布シフトに起因して誤検出が顕著に増加する。
• しきい値τ未満の強度を示す小さな病変は頻繁に見逃されるため、低コントラストまたは微細な異常を検出する課題は依然として継続的である。