[論文レビュー] Towards Robust Lung Segmentation in Chest Radiographs with Deep Learning

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|Nov 30, 2018

COVID-19 diagnosis using AI参考文献 9被引用数 20

ひとこと要約

本稿では、データ拡張とスキップ接続を活用して特徴の保持を向上させることで、胸郭レントゲン画像における頑健な肺領域セグメンテーションを実現するU-Netベースの深層学習モデルを提案する。本手法は公開データセットで98.6%のDICEスコアを達成し、先行する最先端手法を上回る性能を示した。

ABSTRACT

Automated segmentation of Lungs plays a crucial role in the computer-aided diagnosis of chest X-Ray (CXR) images. Developing an efficient Lung segmentation model is challenging because of difficulties such as the presence of several edges at the rib cage and clavicle, inconsistent lung shape among different individuals, and the appearance of the lung apex. In this paper, we propose a robust model for Lung segmentation in Chest Radiographs. Our model learns to ignore the irrelevant regions in an input Chest Radiograph while highlighting regions useful for lung segmentation. The proposed model is evaluated on two public chest X-Ray datasets (Montgomery County, MD, USA, and Shenzhen No. 3 People's Hospital in China). The experimental result with a DICE score of 98.6% demonstrates the robustness of our proposed lung segmentation approach.

研究の動機と目的

• 解剖的ばらつきや画像アーチファクトが存在する状況下でも、正確な肺領域セグメンテーションを実現する頑健な深層学習モデルの開発。
• エンドツーエンド学習を用いて、肋骨の縁、不規則な肺形状、肺尖部の出現といった課題に取り組む。
• 有効なデータ拡張と最適化されたネットワークアーキテクチャを活用して、セグメンテーション性能を向上させる。
• モンゴメリーおよび深圳病院を含む多様な公開データセットを用いてモデルの一般化性能を評価する。

提案手法

• 提案手法は、空間的詳細の保持を図るため、収縮パスと拡張パスに加え、スキップ接続を組み合わせたU-Netアーキテクチャに基づく。
• 入力画像は512×512にリサイズされ、ズーム、クロッピング、水平反転、シフトなどの拡張法を用いてトレーニングデータの多様性を向上させる。
• 最適化にはAdamオプティマイザを用い、ベース学習率は0.0005、バッチサイズは4、トレーニングエポック数は200とする。
• 正解マスクは左右肺のアノテーションを統合し、セグメンテーション境界の改善を目的としてモルフォロジカル拡張を事前処理として適用する。
• セグメンテーション性能の最適化には、バイナリクロスエントロピー損失関数を採用する。
• エンコーダーとデコーダー層間のスキップ接続を組み込むことで、高分解能の特徴を保持し、正確な局所化を実現する。

実験結果

リサーチクエスチョン

• RQ1 U-Netベースの深層学習モデルは、病理的所見が多様なさまざまな胸郭レントゲンデータセットにおいて、頑健な肺領域セグメンテーションを達成できるか？
• RQ2 データ拡張は、リソースが限られた医療画像環境下での肺領域セグメンテーションモデルの一般化性能と性能にどのように影響を与えるか？
• RQ3 スキップ接続やアーキテクチャ設計の選択が、標準的なCNNと比較してセグメンテーション精度にどの程度寄与するか？
• RQ4 提案手法は、多様な解剖的および病理的変異を示す正常および異常なレントゲン画像においても、高い性能を維持できるか？

主な発見

• 提案手法はDICEスコア98.6%を達成し、先行する最先端手法（ED-CNN：97.4%、FCN：97.7%）を顕著に上回った。
• データ拡張によりDICEスコアが2.2%向上し、モデルの頑健性向上における重要性が示された。
• 予測マスクと手動アノテーションの比較による定性的な結果から、複数回の実行においても一貫したセグメンテーション性能を維持していることが確認された。
• 残差ブロックに基づくスキップ接続は性能向上に寄与しなかったため、最終アーキテクチャから除外された。
• モンゴメリー郡および深圳病院の異なる地理的・臨床的背景を持つデータセットに対しても、良好な一般化性能を示した。
• 特に肺尖部や鎖骨下領域といった困難な領域においても、手動アノテーションと高い一致度を示したセグメンテーション結果が得られた。