[논문 리뷰] An automatic COVID-19 CT segmentation based on U-Net with attention mechanism

Tongxue Zhou, Stéphane Canu외 1명|arXiv (Cornell University)|2020. 04. 14.

COVID-19 diagnosis using AI인용 수 54

한 줄 요약

이 논문은 CT 영상에서 자동으로 코로나19 폐 병변을 분할하기 위해 주의 메커니즘을 통합한 U-Net과 집중 Tversky 손실을 제안한다. 공간적 및 채널 주의 메커니즘을 통합하여 특징 표현을 정교화하고, 작은 병변에 맞게 조정된 손실 함수를 사용함으로써 높은 정확도(디스코 점수: 83.1%)와 빠른 속도(슬라이스당 0.29초)를 달성하여 473개 슬라이스 데이터셋에서 뛰어난 성능을 보였다.

ABSTRACT

The coronavirus disease (COVID-19) pandemic has led to a devastating effect on the global public health. Computed Tomography (CT) is an effective tool in the screening of COVID-19. It is of great importance to rapidly and accurately segment COVID-19 from CT to help diagnostic and patient monitoring. In this paper, we propose a U-Net based segmentation network using attention mechanism. As not all the features extracted from the encoders are useful for segmentation, we propose to incorporate an attention mechanism including a spatial and a channel attention, to a U-Net architecture to re-weight the feature representation spatially and channel-wise to capture rich contextual relationships for better feature representation. In addition, the focal tversky loss is introduced to deal with small lesion segmentation. The experiment results, evaluated on a COVID-19 CT segmentation dataset where 473 CT slices are available, demonstrate the proposed method can achieve an accurate and rapid segmentation on COVID-19 segmentation. The method takes only 0.29 second to segment a single CT slice. The obtained Dice Score, Sensitivity and Specificity are 83.1%, 86.7% and 99.3%, respectively.

연구 동기 및 목표

• 진단 및 환자 모니터링을 지원하기 위해 CT 영상에서 코로나19 폐 병변을 정확하고 신속하게 분할하는 데 도전하는 것.
• 공간적 및 채널 주의 메커니즘을 사용해 관련된 공간적 및 채널 기반 특징을 선택적으로 강조함으로써 U-Net의 특징 표현을 향상시키는 것.
• 작은 병변 분할에서의 클래스 불균형 문제를 해결하기 위해 집중 Tversky 손실 함수를 적용하는 것.
• 최소한의 추론 시간으로 높은 분할 성능를 달성하여 임상 적용에 적합한 것.

제안 방법

• U-Net 인코더-디코더 아키텍처에 이중 주의 메커니즘(공간 주의 및 채널 주의)을 통합하여 맥락적 중요도에 따라 특징 맵을 재가중하는 것.
• 공간 주의를 통해 정보가 풍부한 공간 영역을 강조하고, 채널 주의를 통해 구분력 있는 특징 채널을 강조하는 것.
• 쉬운 음성 예측을 가중치를 낮춰 어려운 분할 영역, 특히 작은 병변에 집중하기 위해 집중 Tversky 손실을 적용하는 것.
• 폐 병변에 대한 진단 기준이 있는 473개의 CT 슬라이스로 구성된 데이터셋에서 네트워크를 엔드 투 엔드로 훈련하는 것.
• 업샘플링 과정에서 공간적 세부 정보를 유지하기 위해 인코더에서 디코더로의 스킵 커넥션을 활용하는 것.
• 수렴을 향상시키기 위해 학습률 스케줄을 적용한 확률적 경사 하강법으로 모델을 최적화하는 것.

실험 결과

연구 질문

• RQ1 주의 메커니즘이 CT 영상에서 코로나19 병변 분할의 정확도를 향상시키기 위해 U-Net의 특징 표현을 개선할 수 있는가?
• RQ2 기존 손실 함수와 비교해 병변이 작고 흩어져 있는 폐 병변에서 집중 Tversky 손실이 분할 성능을 향상시키는가?
• RQ3 제안된 방법은 실시간 임상 적용에 적합한 높은 정확도와 낮은 추론 시간을 동시에 달성할 수 있는가?
• RQ4 주의 메커니즘과 집중 Tversky 손실의 조합은 표준 U-Net과 비교해 디스코 점수, 민감도 및 특이도 측면에서 어떻게 성능이 뛰어나게 되는가?

주요 결과

• 제안된 방법은 테스트 세트에서 디스코 점수 83.1%를 달성하여 예측된 병변과 진단 기준 병변 간의 강한 겹침을 나타냈다.
• 민감도는 86.7%에 도달하여 작은 크기의 실제 병변을 대부분 효과적으로 탐지함을 보여주었다.
• 특이도는 99.3%로 매우 낮은 수의 가짜 양성 결과를 나타내어 임상적 신뢰도에 매우 중요하다.
• 모델은 단일 CT 슬라이스를 단지 0.29초 만에 분할하여 임상 적용에 적합한 고속 추론 성능를 입증했다.
• 공간적 및 채널 주의의 통합은 관련 영역과 채널에 집중함으로써 특징 표현을 향상시켰다.
• 집중 Tversky 손실은 훈련 중 쉬운 음성 예측의 영향을 줄여 작은 병변에서의 성능 향상을 크게 향상시켰다.