[논문 리뷰] A novel unsupervised covid lung lesion segmentation based on the lung tissue identification

Faeze Gholamian Khah, Samaneh Mostafapour외 3명|arXiv (Cornell University)|2022. 02. 24.

COVID-19 diagnosis using AI인용 수 14

한 줄 요약

이 논문은 감염된 환자와 정상 환자에서 각각 별도로 훈련된 두 개의 잔차망(DL-Covid 및 DL-Norm)을 활용하여 CT 영상에서 코로나19 폐 병변을 분할하는 비지도 딥러닝 프레임워크를 제안한다. 병변 지도는 두 확률 지도의 차수를 통해 생성되며, 수동 분할 기준으로 0.67의 Dice 계수와 0.60의 Jaccard 지수를 달성하여, 병변 데이터의 레이블링이 필요 없이도 뛰어난 성능을 보임을 입증한다.

ABSTRACT

This study aimed to evaluate the performance of a novel unsupervised deep learning-based framework for automated infections lesion segmentation from CT images of Covid patients. In the first step, two residual networks were independently trained to identify the lung tissue for normal and Covid patients in a supervised manner. These two models, referred to as DL-Covid and DL-Norm for Covid-19 and normal patients, respectively, generate the voxel-wise probability maps for lung tissue identification. To detect Covid lesions, the CT image of the Covid patient is processed by the DL-Covid and DL-Norm models to obtain two lung probability maps. Since the DL-Norm model is not familiar with Covid infections within the lung, this model would assign lower probabilities to the lesions than the DL-Covid. Hence, the probability maps of the Covid infections could be generated through the subtraction of the two lung probability maps obtained from the DL-Covid and DL-Norm models. Manual lesion segmentation of 50 Covid-19 CT images was used to assess the accuracy of the unsupervised lesion segmentation approach. The Dice coefficients of 0.985 and 0.978 were achieved for the lung segmentation of normal and Covid patients in the external validation dataset, respectively. Quantitative results of infection segmentation by the proposed unsupervised method showed the Dice coefficient and Jaccard index of 0.67 and 0.60, respectively. Quantitative evaluation of the proposed unsupervised approach for Covid-19 infectious lesion segmentation showed relatively satisfactory results. Since this framework does not require any annotated dataset, it could be used to generate very large training samples for the supervised machine learning algorithms dedicated to noisy and/or weakly annotated datasets.

연구 동기 및 목표

• 코로나19 폐 병변을 CT 영상에서 자동으로 분할하기 위한 비지도 딥러닝 프레임워크를 개발하는 것.
• 병변 수준의 레이블링이 비용과 시간이 많이 소요되는 것을 방지하기 위해, 폐 조직 식별에만 의존하는 방법을 도입하는 것.
• 자기지도 학습을 통한 확률 지도 차수를 활용하여 병변 분할 모델의 일반화 및 확장성을 향상시키는 것.
• 임상적 관련성을 확보하기 위해 수동 분할된 50건의 코로나19 CT 스캔 데이터셋을 기반으로 방법을 검증하는 것.

제안 방법

• 코로나19 환자와 정상 환자에 대해 각각 별도로 훈련된 두 개의 잔차망(DL-Covid 및 DL-Norm)이 병변 수준의 폐 조직 확률 지도를 생성한다.
• 정상 환자 데이터로 훈련된 DL-Norm 모델은 병변 영역에서 낮은 확률 점수를 출력한다. 이는 병변 패atters에 익숙하지 않기 때문이다.
• 각 볼륨에서 DL-Norm의 확률 지도를 DL-Covid의 확률 지도에서 빼서 병변 확률 지도를 계산한다.
• 이 차수 과정은 조직 특성의 차이를 증폭시켜 감염을 암시하는 비정상적인 강도 및 질감을 띤 영역을 부각시킨다.
• 이 방법은 추론 과정에서 병변 수준의 레이블링이 전혀 필요 없이 사전 훈련된 모델의 출력에만 의존한다.
• 외부 검증을 위해 50건의 코로나19 CT 스캔 테스트 세트를 활용하여 수동 분할 기준으로 정량적 평가를 수행하였다.

실험 결과

연구 질문

• RQ1 병변 수준의 레이블링이 필요 없이 비지도 딥러닝 방법이 코로나19 CT 영상에서 정확한 폐 병변 분할을 달성할 수 있는가?
• RQ2 정상 및 감염 환자 데이터로 훈련된 모델의 확률 지도를 차수하는 방식이 병변 탐지에 얼마나 효과적인가?
• RQ3 제안된 방법이 수동 분할과 높은 Dice 및 Jaccard 유사도를 보이며, 새로운 사례로도 일반화 가능한가?
• RQ4 다양한 병변 정도를 보이는 실제 임상 CT 자료에 적용했을 때, 이 방법의 성능은 어떠한가?

주요 결과

• 제안된 비지도 방법은 검증 데이터셋에서 병변 분할에 대해 0.67의 Dice 계수와 0.60의 Jaccard 지수를 달성하였다.
• 외부 검증에서 폐 분할 성능은 뛰어났으며, 정상 환자에서 0.985, 코로나19 환자에서 0.978의 Dice 점수를 기록하였다.
• 정상 및 감염 환자 데이터로 훈련된 모델 간의 확률 지도 차이를 활용하여 병변을 효과적으로 식별하였다.
• 이 프레임워크는 병변 데이터의 레이블링이 전혀 필요 없어, 향후 지도 학습 모델을 위한 훈련 데이터를 확장 가능하게 한다.
• 기초 기반의 차수 방식은 질병 전용 감독 없이도 병변 영역을 성공적으로 부각시켰다.