[論文レビュー] PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images

Haozhe Jia, Haoteng Tang+5 more|arXiv (Cornell University)|Aug 9, 2021

COVID-19 diagnosis using AI参考文献 43被引用数 4

ひとこと要約

本稿では、CT画像におけるCOVID-19肺炎の正確なセグメンテーションを向上させるために、特徴マップからスパースに接続されたグラフを構築し、長距離依存関係の推論を実行するピクセル単位のスパースグラフ推論モジュールPSGRを提案する。PSGRにより、ベースラインモデルに比べて性能が向上し、COVID19-CT-100データセットにおいてDSCが84.83%に達した。

ABSTRACT

Automated and accurate segmentation of the infected regions in computed tomography (CT) images is critical for the prediction of the pathological stage and treatment response of COVID-19. Several deep convolutional neural networks (DCNNs) have been designed for this task, whose performance, however, tends to be suppressed by their limited local receptive fields and insufficient global reasoning ability. In this paper, we propose a pixel-wise sparse graph reasoning (PSGR) module and insert it into a segmentation network to enhance the modeling of long-range dependencies for COVID-19 infected region segmentation in CT images. In the PSGR module, a graph is first constructed by projecting each pixel on a node based on the features produced by the segmentation backbone, and then converted into a sparsely-connected graph by keeping only K strongest connections to each uncertain pixel. The long-range information reasoning is performed on the sparsely-connected graph to generate enhanced features. The advantages of this module are two-fold: (1) the pixel-wise mapping strategy not only avoids imprecise pixel-to-node projections but also preserves the inherent information of each pixel for global reasoning; and (2) the sparsely-connected graph construction results in effective information retrieval and reduction of the noise propagation. The proposed solution has been evaluated against four widely-used segmentation models on three public datasets. The results show that the segmentation model equipped with our PSGR module can effectively segment COVID-19 infected regions in CT images, outperforming all other competing models.

研究の動機と目的

• 既存のディープラーニングモデルにおける局所的受容 field の制限と弱いグローバル推論の問題により、不規則で散在的かつ小さなCOVID-19感染領域をセグメンテーションする課題に対処する。
• 自己注意機構や非局所メカニズムの限界を克服する。これらは冗長な相関関係とノイズを導入するが、グローバルコンテキストを十分に活用できない。
• ピクセルレベルの情報を保持し、効果的な長距離特徴伝搬を可能にするグラフベースの推論モジュールを開発する。
• 複数の公開データセット（病理的パターンや画像撮影プロトコルが異なる）において、提案手法の有効性を示す。

提案手法

• 特徴マップ内の各ピクセルを直接ノードにマッピングするグラフを構築し、ピクセル単位のマッピングにより空間的・意味的整合性を保持する。
• セグメンテーションバックボーンからの特徴埋め込みに基づいて、すべてのピクセル特徴間の類似度スコアを計算し、初期のグラフエッジを形成する。
• 不確実性の高いピクセルごとにK近傍法を適用し、最も強いK本の接続のみを保持することで、ノイズと計算負荷を低減したスパースに接続されたグラフを構築する。
• グラフニューラルネットワークを用いて、スパースグラフ上でメッセージパッシングと特徴集約を実行し、長距離の文脈的情報を用いて特徴を精緻化する。
• 既存のU-NetおよびU²-NetアーキテクチャにPSGRモジュールをプラグインとして統合し、アーキテクチャの大幅な見直しを伴わずにグローバル推論能力を向上させる。
• 学習可能な不確実性しきい値手法を用いて、不確実性の高いピクセルを特定・優先順位付けし、小さなまたは曖昧な病変への感受性を高める。

実験結果

リサーチクエスチョン

• RQ1 クラスタベースや領域ベースのノードマッピングと比較して、ピクセル単位のグラフ構築戦略は、医療画像セグメンテーションにおけるグローバルコンテキストモデリングの忠実性を向上させることができるか？
• RQ2 K番目に強いエッジによるノードのスパース接続は、ノイズ伝搬を低減しつつ、効果的な長距離依存関係学習を維持できるか？
• RQ3 PSGRモジュールは、CT画像における小さな、散在的で、不規則な形状のCOVID-19肺炎領域のセグメンテーション性能をどの程度向上させるか？
• RQ4 不確実性の高いピクセルの選択割合が、グラフ推論プロセスのロバストネスと性能に与える影響はどの程度か？
• RQ5 PSGRモジュールは、さまざまなセグメンテーションバックボーンに効果的に統合可能であり、多様な公開データセットに一般化可能か？

主な発見

• U-2-Net+PSGRモデルは、COVID19-CT-100データセットにおいて最高のDice Similarity Coefficient (DSC) 84.83%を達成し、すべてのベースラインモデルを上回った。
• U-2-Net+PSGRのHD（Hausdorff Distance）は42.85 mmであり、特に小さなまたは断片的な病変において、正解との境界一致が優れていることを示している。
• アブレーションスタディの結果、最適な不確実性ピクセル選択割合 $ R_u = 0.005 $ がセグメンテーション性能を最大化しており、それ以上の比率はノイズ蓄積により性能を低下させた。
• 隣接行列の可視化により、PSGRが遠く離れたが関連のある感染ピクセルを効果的に結びつける長距離依存関係を正しく捉えていることが確認された。
• PSGRモジュールは、3つの公開データセットすべてで一貫してセグメンテーション精度を向上させ、さまざまな画像撮影プロトコルや疾患の現れ方に対してもロバストで一般化可能であることが示された。
• 大規模な外部データを用いた事前学習を実施したInf-Netと比較して、U-2-Net+PSGRは追加データなしで同等の性能を達成した。これは、提案されたモジュールの効率性と有効性を示している。