[논문 리뷰] COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution

Qingsen Yan, Bo Wang외 8명|arXiv (Cornell University)|2020. 04. 23.

COVID-19 diagnosis using AI참고 문헌 25인용 수 115

한 줄 요약

이 논문은 COVID-SegNet이라는 FV 블록과 PASPP를 갖춘 3D CNN을 제시하여 흉부 CT 스캔으로부터 COVID-19 감염 영역과 폐를 자동으로 분할하며, 대규모 COVID-19 CT 데이터셋에서 학습된다.

ABSTRACT

A novel coronavirus disease 2019 (COVID-19) was detected and has spread rapidly across various countries around the world since the end of the year 2019, Computed Tomography (CT) images have been used as a crucial alternative to the time-consuming RT-PCR test. However, pure manual segmentation of CT images faces a serious challenge with the increase of suspected cases, resulting in urgent requirements for accurate and automatic segmentation of COVID-19 infections. Unfortunately, since the imaging characteristics of the COVID-19 infection are diverse and similar to the backgrounds, existing medical image segmentation methods cannot achieve satisfactory performance. In this work, we try to establish a new deep convolutional neural network tailored for segmenting the chest CT images with COVID-19 infections. We firstly maintain a large and new chest CT image dataset consisting of 165,667 annotated chest CT images from 861 patients with confirmed COVID-19. Inspired by the observation that the boundary of the infected lung can be enhanced by adjusting the global intensity, in the proposed deep CNN, we introduce a feature variation block which adaptively adjusts the global properties of the features for segmenting COVID-19 infection. The proposed FV block can enhance the capability of feature representation effectively and adaptively for diverse cases. We fuse features at different scales by proposing Progressive Atrous Spatial Pyramid Pooling to handle the sophisticated infection areas with diverse appearance and shapes. We conducted experiments on the data collected in China and Germany and show that the proposed deep CNN can produce impressive performance effectively.

연구 동기 및 목표

• 가진 진단 보조를 위한 흉부 CT에서 COVID-19 감염의 빠르고 정확한 자동 분할을 재촉한다.
• Robust한 딥러닝 기반 분할을 가능하게 하는 COVID-19 사례의 대규모 주석 CT 데이터셋을 만든다.
• 다양한 감염 모양과 경계를 다룰 수 있는 맞춤형 네트워크 아키텍처를 개발한다.

제안 방법

• FV 블록과 PASPP라는 두 가지 새로운 모듈을 갖춘 잔차 블록이 포함된 3D 인코더-디코더 네트워크인 COVID-SegNet을 제안한다.
• FV 블록은 채널 및 공간 주의 메커니즘을 통해 감염 경계를 적응적으로 강조하기 위해 대비 강화, 위치 민감성 및 아이덴티티 브랜치를 결합한다.
• PASPP는 점진적으로 증폭도(dilation rate)가 증가하는 합성곱을 사용해 다중 스케일 특징을 융합하여 다양한 크기와 모양의 감염을 포착한다.
• 주석이 달린 대규모 CT 데이터셋(861명의 환자에서 21,658장 이미지)에서 Dice와 cross-entropy를 균형 있게 결합한 손실로 엔드-투-엔드로 학습한다.
• COVID-19 감염 및 폐 분할에 대해 Dice, 민감도, 정밀도 지표로 평가하고, FCN, UNet, UNet++, VNet과 비교한다.

실험 결과

연구 질문

• RQ1 특화된 주의 집중과 다중 스케일 풀링을 갖춘 3D CNN이 기존 아키텍처를 넘어 흉부 CT에서 COVID-19 감염 분할을 개선할 수 있는가?
• RQ2 FV 블록이 경계 선형화를 개선하고 PASPP가 다중 스케일 맥락 특징 융합을 개선하는가?
• RQ3 제안된 모델이 서로 다른 센터(중국과 독일) 데이터에 대해 COVID-19 감염 분할 및 폐 분할에 얼마나 일반화되는가?
• RQ4 표준 분할 지표에서 COVID-SegNet이 최첨단 방법들에 비해 어떤 정량적 이점을 가지는가?

주요 결과

• COVID-SegNet은 국내 테스트 세트에서 COVID-19 감염 분할 Dice가 0.726, 민감도 0.751, 정밀도 0.726을 달성했다.
• 폐 분할 Dice는 0.987, 민감도 0.986, 정밀도 0.990에 도달하여 여러 베이스라인을 능가했다.
• 독일 데이터셋에서 COVID-SegNet은 작게 보이는 감염 영역을 포함해 수작업에 근접한 품질의 COVID-19 분할을 생성했고, FCN, UNet, UNet++, VNet을 능가했다.
• 소거 연구에서 FV 및 PASPP 블록이 베이스라인 UNet4 및 대안 대비 COVID-19 및 폐 분할을 크게 개선했다.
• PASPP의 점진적 융합은 표준 ASPP나 ResASPP보다 더 효과적인 다중 스케일 특징 통합으로 더 나은 성능을 보였다.