[논문 리뷰] CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images

Narinder Singh Punn, Sonali Agarwal|arXiv (Cornell University)|2020. 12. 13.

COVID-19 diagnosis using AI참고 문헌 44인용 수 8

한 줄 요약

CHS-Net는 깊이 학습 프레임워크로, 캐스케이드형 잔차 주의 인셉션 U-Net(RAIU-Net) 모델을 사용하여 폐 CT 영상에서 코로나19 감염 부위의 계층적 분할을 수행한다. 주의 메커니즘과 하이브리드 풀링을 통해 향상된 특징 인코딩 및 디코딩을 실현함으로써, 81.6%의 딱ness 계수와 79.1%의 재현율 지수를 기록하여 기존 방법을 능가하는 최신 기술 수준의 성능을 달성한다.

ABSTRACT

The pandemic of novel SARS-CoV-2 also known as COVID-19 has been spreading worldwide, causing rampant loss of lives. Medical imaging such as CT, X-ray, etc., plays a significant role in diagnosing the patients by presenting the visual representation of the functioning of the organs. However, for any radiologist analyzing such scans is a tedious and time-consuming task. The emerging deep learning technologies have displayed its strength in analyzing such scans to aid in the faster diagnosis of the diseases and viruses such as COVID-19. In the present article, an automated deep learning based model, COVID-19 hierarchical segmentation network (CHS-Net) is proposed that functions as a semantic hierarchical segmenter to identify the COVID-19 infected regions from lungs contour via CT medical imaging using two cascaded residual attention inception U-Net (RAIU-Net) models. RAIU-Net comprises of a residual inception U-Net model with spectral spatial and depth attention network (SSD) that is developed with the contraction and expansion phases of depthwise separable convolutions and hybrid pooling (max and spectral pooling) to efficiently encode and decode the semantic and varying resolution information. The CHS-Net is trained with the segmentation loss function that is the defined as the average of binary cross entropy loss and dice loss to penalize false negative and false positive predictions. The approach is compared with the recently proposed approaches and evaluated using the standard metrics like accuracy, precision, specificity, recall, dice coefficient and Jaccard similarity along with the visualized interpretation of the model prediction with GradCam++ and uncertainty maps. With extensive trials, it is observed that the proposed approach outperformed the recently proposed approaches and effectively segments the COVID-19 infected regions in the lungs.

연구 동기 및 목표

• 영상의학자들이 수행하는 시간 소모적이고 실수 위험이 높은 코로나19 감염 부위의 수동 분할 문제를 해결하기 위해.
• 초기 단계의 코로나19 특징인 미세하고 다발성의 기저귀 투명도(GGO)를 보다 정확하고 강건하게 식별하기 위해.
• 먼저 폐를 분할하고, 그 안에서 감염 부위를 탐지하는 계층적 분할 파이프라인을 개발하여 국소화 정밀도를 향상시키기 위해.
• 잔차 인셉션 블록과 스펙트럼-공간-깊이 주의 기반의 고급 딥 러닝 구성 요소를 U-Net 아키텍처에 통합하여 더 나은 특징 표현을 가능하게 하기 위해.
• 표준 평가 지표와 해석 가능성 도구인 GradCam++ 및 불확실성 맵을 활용하여 임상적 신뢰성을 검증하기 위해.

제안 방법

• 모델는 캐스케이드형 이중 단계 아키텍처를 활용한다: 첫 번째 단계에서 U-Net 기반 RAIU-Net이 CT 영상에서 폐를 분할하고, 두 번째 단계에서 두 번째 RAIU-Net이 분할된 폐 내 감염 부위를 탐지한다.
• RAIU-Net은 잔차 연결과 확장된 컨볼루션을 조합하여 다중 척도 특징을 캡처하고 기울기 소실 문제를 줄이는 잔차 인셉션 블록(RIB)을 통합한다.
• U-Net 내부에 스펙트럼-공간 및 깊이 주의(SSD) 네트워크를 통합하여 공간적 및 스펙트럼 차원에서 주목할 만한 특징을 동적으로 강조함으로써 다양한 해상도에서의 특징 표현을 향상시킨다.
• 에코더 및 디코더 경로 전반에 깊이 분리형 컨볼루션을 사용하여 파rameter 수와 계산 비용을 줄이면서도 의미 정보를 유지한다.
• 에코더에서 하이브리드 풀링(최대 풀링 및 스펙트럼 풀링)을 적용하여 특징 추상화를 향상시키고, 다운샘플링 과정에서 공간적 세부 정보를 유지한다.
• 손실 함수는 이진 교차 엔트로피와 딱ness 손실을 조합하여 잘못된 음성 및 잘못된 양성 결과를 억제함으로써 분할의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 종단간 분할 방식에 비해 계층적 딥 러닝 접근 방식이 코로나19 폐 CT 영상에서 미세하고 다발성의 기저귀 투명도(GGO)의 분할 정확도를 향상시킬 수 있는가?
• RQ2 잔차 인셉션 블록과 스펙트럼-공간-깊이 주의 메커니즘은 저해상도이자 노이즈가 많은 의료 영상에서 특징 학습을 얼마나 향상시키는가?
• RQ3 하이브리드 풀링(최대 풀링 및 스펙트럼 풀링)의 통합이 인코딩 및 디코딩 과정에서 미세한 해부학적 세부 정보의 유지에 어떤 영향을 미치는가?
• RQ4 두 개의 RAIU-Net 모델을 연결하여 먼저 폐 분할을 수행하고, 그 다음에 감염 부위 탐지하는 방식이 직접 감염 부위 분할보다 더 높은 성능을 내는가?
• RQ5 GradCam++ 및 불확실성 맵과 같은 해석 가능성 도구는 모델 예측의 신뢰성과 임상적 관련성을 어떻게 검증하는가?

주요 결과

• CHS-Net는 감염 부위 분할에 대해 81.6%의 딱ness 계수와 79.1%의 재현율 지수를 기록하여 최근 최신 기술 수준의 방법들을 능가했다.
• 제거 실험 결과, 기준 U-Net 대비 잔차 인셉션 블록(RIB)만 추가해도 감염 부위의 딱ness 계수는 57% 향상되었다.
• 계층적 접근 방식(CHS-Net)은 동일한 백본을 사용한 직접 분할 대비 감염 부위의 딱ness 계수를 13% 향상시켰다.
• 모델은 96.5%의 정확도, 75.6%의 정밀도, 88.5%의 재현율, 96.9%의 특이도를 달성하여 강력한 일반화 능력과 낮은 가짜 양성 비율을 보였다.
• GradCam++ 및 불확실성 맵은 모델이 폐 내 임상적으로 관련성이 있는 영역, 특히 GGO 패atters를 중심으로 집중하고 있음을 확인하여 해석 가능성 향상을 입증했다.
• 스펙트럼-공간-깊이 주의(SSD) 통합은 특히 작은 크기이거나 비정형인 감염 부위 탐지에서 특징 표현을 크게 향상시켰다.