[논문 리뷰] An encoder-decoder-based method for COVID-19 lung infection segmentation

Omar Elharrouss, Nandhini Subramanian외 1명|arXiv (Cornell University)|2020. 07. 02.

COVID-19 diagnosis using AI참고 문헌 33인용 수 10

한 줄 요약

이 논문은 이중 스트림 입력(원본 및 분해된 구조/질감 특징)을 사용하여 코로나19 CT 영상에서 폐 감염을 분할하기 위한 이중 단계, 다중 작업 인코더-디코더 딥 러닝 방법을 제안한다. 다중 작업 학습과 영역 관심도 정밀 조정을 통해 데이터 부족 조건에서도 정확도를 향상시켜, COVID-SemiSeg 데이터셋에서 딱도 점수 0.640과 F-측도 0.640을 달성하며 최신 기술을 초월한다.

ABSTRACT

The novelty of the COVID-19 disease and the speed of spread has created a colossal chaos, impulse among researchers worldwide to exploit all the resources and capabilities to understand and analyze characteristics of the coronavirus in term of the ways it spreads and virus incubation time. For that, the existing medical features like CT and X-ray images are used. For example, CT-scan images can be used for the detection of lung infection. But the challenges of these features such as the quality of the image and infection characteristics limitate the effectiveness of these features. Using artificial intelligence (AI) tools and computer vision algorithms, the accuracy of detection can be more accurate and can help to overcome these issues. This paper proposes a multi-task deep-learning-based method for lung infection segmentation using CT-scan images. Our proposed method starts by segmenting the lung regions that can be infected. Then, segmenting the infections in these regions. Also, to perform a multi-class segmentation the proposed model is trained using the two-stream inputs. The multi-task learning used in this paper allows us to overcome shortage of labeled data. Also, the multi-input stream allows the model to do the learning on many features that can improve the results. To evaluate the proposed method, many features have been used. Also, from the experiments, the proposed method can segment lung infections with a high degree performance even with shortage of data and labeled images. In addition, comparing with the state-of-the-art method our method achieves good performance results.

연구 동기 및 목표

• 코로나19 폐 감염 분할을 위한 레이블이 부족한 CT 영상 데이터에 도전하는 것.
• 구조적 및 질감적 이미지 구성 요소를 이중 입력으로 활용하여 분할 정확도를 향상시키는 것.
• 두 단계 분할 파이프라인 개발: 먼저 위험한 폐 영역을 식별하고, 그 다음에 정확하게 감염 영역을 탐지하는 것.
• 다중 작업 학습을 통해 이진 및 다중 클래스 감염 분할에서 강건한 성능을 달성하는 것.
• 자원이 제한된 조건에서 기존 최신 기술을 능가하는 것.

제안 방법

• 원본 CT 영상과 분해된 구조-질감 구성 요소를 병렬로 처리하는 인코더-디코더 아키텍처를 사용한다.
• 이미지 분해를 통해 구조적(균일한) 및 질감적(패턴이 있는) 특징을 추출하여 특징 학습을 향상시킨다.
• 다중 작업 학습을 통해 영역 관심도 탐지와 감염 분할을 동시에 최적화하여 데이터 부족 조건에서도 일반화 능력을 향상시킨다.
• 두 단계 분할 수행: 먼저 감염 가능성이 있는 폐 영역을 분할하고, 그 영역 내에서 감염 경계를 정밀 조정한다.
• 디카 점수, F-측도, 민감도, 특이도, MAE와 같은 지표를 사용하여 평가 및 학습을 이끌어낸다.
• 모폴로지 연산과 같은 후처리를 적용하여 이진 분할 결과를 향상시킨다.

실험 결과

연구 질문

• RQ1 이중 스트림 인코더-디코더 모델은 코로나19 CT 영상에서 데이터가 적은 환경에서 폐 감염 분할 성능을 향상시킬 수 있는가?
• RQ2 레이블이 제한된 조건에서 다중 작업 학습은 분할 성능 향상에 얼마나 효과적인가?
• RQ3 구조 및 질감 분해를 통합함으로써 감염 영역 탐지 정확도가 향상되는가?
• RQ4 이중 분할 파이프라인(영역 관심도 탐지 → 감염 분할)은 종단 간 접근 방식보다 더 나은 성능을 낼 수 있는가?
• RQ5 이중 분할 파이프라인은 이진 및 다중 클래스 분할 과제에서 최신 기술 모델보다 우수한 성능을 내는가?

주요 결과

• 제안된 방법은 COVID-SemiSeg 데이터셋에서 딱도 점수 0.640과 F-측도 0.640을 달성하여 기존 방법을 능가했다.
• 정밀도 0.561과 특이도 0.953을 확보하여 탐지 성능와 가짜 양성 제어 간 균형이 잘 잡혀 있음을 나타낸다.
• 이중 분할 파이프라인은 이진 및 다중 클래스 분할 모두에서 강건한 성능을 보였으며, 시각적 결과는 진짜값과 매우 유사했다.
• 이중 스트림 입력과 다중 작업 학습의 활용은 특히 데이터 부족 조건에서 성능 향상에 크게 기여했다.
• semi-inf-Net 기반 모델은 딱도 점수 0.541을 기록했지만, 제안된 방법은 이를 0.640으로 향상시켜 상대적 향상률 18.3%를 달성했다.
• 결과는 모폴로지 후처리가 분할 출력을 추가로 정밀 조정할 수 있음을 시사하며, 향후 개선 여지가 있음을 보여준다.