[論文レビュー] MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation

Yu Qiu, Yun Liu+2 more|arXiv (Cornell University)|Apr 21, 2020

COVID-19 diagnosis using AI参考文献 64被引用数 43

ひとこと要約

MiniSegは、Attentive Hierarchical Spatial Pyramid (AHSP)を用いた83Kパラメータの軽量ネットワークで、胸部CTスライスのCOVID-19感染領域を高速かつデータ効率的にセグメントする。高い効率と再訓練の容易さを実現し、精度は競争的。

ABSTRACT

The rapid spread of the new pandemic, i.e., COVID-19, has severely threatened global health. Deep-learning-based computer-aided screening, e.g., COVID-19 infected CT area segmentation, has attracted much attention. However, the publicly available COVID-19 training data are limited, easily causing overfitting for traditional deep learning methods that are usually data-hungry with millions of parameters. On the other hand, fast training/testing and low computational cost are also necessary for quick deployment and development of COVID-19 screening systems, but traditional deep learning methods are usually computationally intensive. To address the above problems, we propose MiniSeg, a lightweight deep learning model for efficient COVID-19 segmentation. Compared with traditional segmentation methods, MiniSeg has several significant strengths: i) it only has 83K parameters and is thus not easy to overfit; ii) it has high computational efficiency and is thus convenient for practical deployment; iii) it can be fast retrained by other users using their private COVID-19 data for further improving performance. In addition, we build a comprehensive COVID-19 segmentation benchmark for comparing MiniSeg to traditional methods.

研究の動機と目的

• COVID-19 CTセグメンテーションの課題を、限定ラベルデータと高速な訓練/推論の必要性と共に解決する。
• 軽量でありながら高いセグメンテーション精度を実現し、過学習と計算コストを低減する。
• compactなネットワークで効果的な多尺度特徴学習を可能にするAHSPモジュールを提案する。
• MiniSegを対比するためのCOVID-19セグメンテーションデータセット群を作成・ベンチマークし、最先端手法と比較する。

提案手法

• AHSPを導入する：マルチブランチの拡張格子状深層分離畳み込みを用い、指数的に拡張率を設定して多尺度学習を実現。
• 層間の特徴統合を階層的に行い、注意機構を通じてノイズを抑制しつつ関連構造を強調。
• Downsampler Blocksとネストされたスキップ接続を組み合わせた二経路エンコーダーにより多尺度エンコーディングを強化。
• デコーダーはFeature Fusion Modulesと段階的アップサンプリングを用いて微細なディテールを復元し、Deep Supervisionを追加。
• パラメータの効率的活用：K=4ブランチとグループ化演算を採用してパラメータ数とFLOPsを削減、83Kパラメータと高い速度を実現。
• 四つの公開COVID-19 CTセグメンテーションデータセットを用いたデータ拡張付きトレーニング；80エポック、Adamとpoly学習率スケジュール。

実験結果

リサーチクエスチョン

• RQ1 非常に軽量なネットワークが、限られた学習サンプルでCOVID-19 CTデータの競争力のあるセグメンテーション精度を達成できるか？
• RQ2 AHSPモジュールはモデルサイズを膨張させずに多尺度特徴学習を改善できるか？
• RQ3 MiniSegは公的COVID-19 CTデータセット上で、精度・速度・パラメータ効率の点で最先端のセグメンテーション法と比較してどの程度の性能を示すか？

主な発見

• MiniSegは83Kパラメータで、多くのベースラインより約2桁小さく、推論速度が高い。
• AHSP対応の多尺度学習が、コンパクトなモデルでもセグメンテーション性能を改善。
• 複数のデータセットで、MiniSegは競争的なmIoU、感度（SEN）およびDiceスコアを提供しつつ、高い特異度と高速性を維持。
• For COVID-19-CT100: mIoU 82.15, SEN 84.95, SPC 97.72, DSC 75.91, HD 74.42.
• For COVID-19-P9: mIoU 85.31, SEN 90.60, SPC 99.15, DSC 80.06, HD 58.46.
• For COVID-19-P20: mIoU 84.49, SEN 85.06, SPC 99.05, DSC 76.27, HD 51.06.
• For COVID-19-P1110: mIoU 78.33, SEN 79.62, SPC 97.71, DSC 64.84, HD 71.69.
• MiniSegは最大516.3 FPSを実現し、卓越した効率性を示す。