[논문 리뷰] Automated lung segmentation from CT images of normal and COVID-19 pneumonia patients

Faeze Gholamiankhah, Samaneh Mostafapour외 5명|arXiv (Cornell University)|2021. 04. 05.

COVID-19 diagnosis using AI인용 수 10

한 줄 요약

이 연구는 정상 환자와 코로나19 폐렴 환자의 CT 영상에서 자동 폐 분할을 위한 딥러닝 기반 잔차 신경망을 제안한다. 수동 또는 반자동으로 생성된 마스크를 기반으로 1,200건의 확진된 코로나19 사례에 대해 훈련된 모델은 정상 환자에게서 DSC 0.980, 코로나19 환자에게서 DSC 0.971를 기록하여 질병에 의한 이상 변화가 있음에도 불구하고 높은 정확도와 강건성을 보였다.

ABSTRACT

Automated semantic image segmentation is an essential step in quantitative image analysis and disease diagnosis. This study investigates the performance of a deep learning-based model for lung segmentation from CT images for normal and COVID-19 patients. Chest CT images and corresponding lung masks of 1200 confirmed COVID-19 cases were used for training a residual neural network. The reference lung masks were generated through semi-automated/manual segmentation of the CT images. The performance of the model was evaluated on two distinct external test datasets including 120 normal and COVID-19 subjects, and the results of these groups were compared to each other. Different evaluation metrics such as dice coefficient (DSC), mean absolute error (MAE), relative mean HU difference, and relative volume difference were calculated to assess the accuracy of the predicted lung masks. The proposed deep learning method achieved DSC of 0.980 and 0.971 for normal and COVID-19 subjects, respectively, demonstrating significant overlap between predicted and reference lung masks. Moreover, MAEs of 0.037 HU and 0.061 HU, relative mean HU difference of -2.679% and -4.403%, and relative volume difference of 2.405% and 5.928% were obtained for normal and COVID-19 subjects, respectively. The comparable performance in lung segmentation of the normal and COVID-19 patients indicates the accuracy of the model for the identification of the lung tissue in the presence of the COVID-19 induced infections (though slightly better performance was observed for normal patients). The promising results achieved by the proposed deep learning-based model demonstrated its reliability in COVID-19 lung segmentation. This prerequisite step would lead to a more efficient and robust pneumonia lesion analysis.

연구 동기 및 목표

• 정상 및 코로나19 폐렴 환자에 대한 CT 영상에서 신뢰할 수 있는 자동 폐 분할 방법을 개발하기 위해.
• 코로나19로 인해 심한 폐 영향을 받은 환자 포함 다양한 환자 집단에서 모델 성능을 평가하기 위해.
• 폐 질환에서 폐 병변의 정량적 분석을 위한 강력한 사전처리 단계를 확립하기 위해.
• 다양한 정량적 지표를 사용하여 정상 폐와 코로나19 영향을 받은 폐 간의 분할 정확도를 비교하기 위해.
• 질병 진행 상황 모니터링 및 치료 반응 평가와 같은 후속 응용을 지원하기 위해.

제안 방법

• 1,200건의 확진된 코로나19 CT 영상 및 해당되는 기준 폐 마스크를 기반으로 잔차 신경망(ResNet)을 훈련시켰다.
• 고품질의 기준 진단을 확보하기 위해 반자동 및 수동 분할을 통해 기준 폐 마스크를 생성하였다.
• 모델은 두 개의 독립적인 외부 테스트 데이터셋(정상 환자 120명, 코로나19 환자 120명)에서 평가되었다.
• 표준 지표인 DSC, 평균 절대 오차(MAE), 평균 Hounsfield 단위(HU) 차이의 상대적 비율, 상대적 부피 차이를 사용하여 성능을 평가하였다.
• 딥러닝에서의 기울기 흐름 향상과 훈련 안정성 향상을 위해 스킵 연결을 활용한 네트워크 아키텍처를 구현하였다.
• 모델의 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용하여 다양한 스캔 강도와 해부학적 변형에 대응하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 심한 코로나19 폐렴을 앓는 환자의 CT 영상에서 고정확도의 폐 분할을 달성할 수 있는가?
• RQ2 코로나19 영향을 받은 폐에서의 모델 성능은 정상 폐에서의 성능과 비교해 어떻게 되는가?
• RQ3 코로나19 환자에서 폐 침윤 및 유리기운 병변이 존재할 경우 분할 정확도에 어떤 정도의 영향을 미치는가?
• RQ4 모델은 다양한 환자 인구 통계 및 스캔 프로토콜에 걸쳐도 충분히 강건한가?
• RQ5 자동 폐 분할이 폐렴에서 후속 정량적 분석을 위한 신뢰할 수 있는 기초가 될 수 있는가?

주요 결과

• 정상 환자에 대해 DSC가 0.980으로 기준 폐 마스크와 거의 완벽한 겹침을 보였다.
• 코로나19 환자에 대해 DSC는 0.971로 광범위한 폐 영향이 있음에도 강력한 분할 성능을 보였다.
• 정상 환자에 대해 평균 절대 오차(MAE)는 0.037 HU, 코로나19 환자에 대해 0.061 HU로 강력한 강도 정확도를 반영했다.
• 정상 환자에 대해 상대적 평균 HU 차이는 -2.679%였고, 코로나19 환자에 대해선 -4.403%로 약간의 HU 값 편차를 보였다.
• 정상 환자에 대해 상대적 부피 차이는 2.405%, 코로나19 환자에 대해선 5.928%로 부피 추정 정확도가 수용 가능한 수준이었다.
• 모델는 정상 폐에서 약간 더 높은 성능를 보였지만, 코로나19 영향을 받은 폐에서도 여전히 높은 정확도를 달성하여 강건성을 확인했다.