[논문 리뷰] GASNet: Weakly-supervised Framework for COVID-19 Lesion Segmentation

Zhanwei Xu, Yukun Cao외 6명|arXiv (Cornell University)|2020. 10. 19.

COVID-19 diagnosis using AIMedicine참고 문헌 58인용 수 22

한 줄 요약

GASNet는 비용이 많이 드는 병변체적 레이블이 아닌 병변 수준 진단 레이블(양성/음성)과 생성적 적대적 훈련을 활용하여 병변체적 레이블 의존도를 최소화하는 약한 감독 기반 딥러닝 프레임워크이다. 분류기와 생성기를 함께 훈련시켜 진짜 건강한 CT 볼륨을 가장하는 현실적인 '정상' CT 볼륨을 생성함으로써, 단 한 개의 병변체적 레이블 샘플만으로도 완전히 감독된 모델과 유사한 성능을 달성한다.

ABSTRACT

Segmentation of infected areas in chest CT volumes is of great significance for further diagnosis and treatment of COVID-19 patients. Due to the complex shapes and varied appearances of lesions, a large number of voxel-level labeled samples are generally required to train a lesion segmentation network, which is a main bottleneck for developing deep learning based medical image segmentation algorithms. In this paper, we propose a weakly-supervised lesion segmentation framework by embedding the Generative Adversarial training process into the Segmentation Network, which is called GASNet. GASNet is optimized to segment the lesion areas of a COVID-19 CT by the segmenter, and to replace the abnormal appearance with a generated normal appearance by the generator, so that the restored CT volumes are indistinguishable from healthy CT volumes by the discriminator. GASNet is supervised by chest CT volumes of many healthy and COVID-19 subjects without voxel-level annotations. Experiments on three public databases show that when using as few as one voxel-level labeled sample, the performance of GASNet is comparable to fully-supervised segmentation algorithms trained on dozens of voxel-level labeled samples.

연구 동기 및 목표

• 전문가가 시간이 많이 들고 일관성 없는 병변체적 세분화 레이블링으로 인한 높은 레이블링 비용 문제를 해결하기 위해.
• 딥 세분화 네트워크 훈련을 위해 대량의 픽셀/병변체적 레이블링 데이터에 의존하는 것을 줄이기 위해.
• 비용이 많이 드는 병변체적 레이블링 대신 쉽게 확보 가능한 병변 수준의 진단 레이블(예: 양성/음성)을 활용하는 약한 감독 기반 프레임워크를 개발하기 위해.
• 생성적 적대적 훈련을 세분화 네트워크에 통합하여 합성된 '정상' CT 볼륨이 진짜 건강한 스캔과 구분되지 않도록 하여 세분화 성능을 향상시키기 위해.

제안 방법

• GASNet는 동일한 입력 CT 볼륨을 공유하는 세분화 네트워크(분류기)와 생성 네트워크(생성기)를 GAN 프레임워크 내에 통합한다.
• 생성기는 코로나19 환자의 CT에서 병변 영역을 합성된 '정상' 조직으로 대체하여 합성된 건강한 볼륨을 생성한다.
• 판별기는 진짜 건강한 CT 볼륨과 합성된 볼륨을 구분하도록 훈련되어 생성기의 현실성 향상을 위한 적대적 피드백을 제공한다.
• 세분화기와 생성기는 재구성 손실, 적대적 손실 및 추가 보조 손실($σ_{IgToD}$, $σ_{IdToD}$, $σ_{MIL}$, $σ_{ps}$)을 최소화하도록 공동 최적화되어 훈련 안정성과 성능을 향상시킨다.
• 프레임워크는 병변 수준의 레이블(예: '코로나19 양성' 또는 '음성')만을 사용하여 감독하며, 병변체적 레이블링은 최소한으로 사용된다.
• 보조 손실인 $σ_{ps}$는 병변체적 레이블링을 직접적으로 분류기에 제공하여 국소화 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 단 한 개의 병변체적 레이블링 샘플만을 사용하여도 약한 감독 기반 세분화 프레임워크가 완전히 감독된 모델과 유사한 성능을 달성할 수 있는가?
• RQ2 생성적 적대적 훈련이 병변 복원을 위한 합성 건강한 CT 볼륨의 현실성 향상에 얼마나 효과적인가?
• RQ3 풍부한 픽셀 수준의 레이블링 데이터가 부족한 상황에서 보조 손실 함수가 훈련 안정성과 세분화 정확도 향상에 얼마나 기여하는가?
• RQ4 이 프레임워크는 다양한 데이터셋 간에 일반화되어 있으며, 최소한의 인간 레이블링 데이터로도 높은 성능을 유지할 수 있는가?
• RQ5 병변 수준의 진단 레이블과 적대적 훈련을 통합함으로써, 낮은 감독 환경에서 세분화 성능 향상에 어떻게 기여하는가?

주요 결과

• GASNet는 공개 데이터셋-A에서 단 한 개의 병변체적 레이블링 샘플만을 사용하여 60.2% ± 23.4의 Dice 스코어를 기록했으며, 수십 개의 병변체적 레이블링 샘플로 훈련된 완전히 감독된 베이스라인을 초월했다.
• 한 개의 레이블링 샘플로도 GASNet의 Dice 스코어(60.2%)는 50개의 병변체적 레이블링 샘플로 훈련된 완전히 감독된 3D U-Net과 유사한 성능을 보였다.
• 특히 $σ_{IgToD}$와 $σ_{IdToD}$를 포함한 보조 손실의 도입으로 기존 베이스라인 대비 Dice 스코어가 10퍼센트 포인트 이상 향상되었다.
• $σ_{ps}$의 추가로 Dice 스코어는 64.75%에서 70.3%로 상승하여, 약한 감독 학습에서 직접적인 병변체적 레이블링의 가치를 입증했다.
• 미세조정된 GASNet($\text{GASNet}_{\text{finetune}}$)은 1개의 레이블링 샘플로 58.9% ± 24.4%의 Dice 스코어를 기록하여 다양한 데이터셋 간의 강건성과 일반화 능력을 입증했다.
• GASNet는 데이터셋-A에서 높은 특이도(99.6% ± 0.2)와 민감도(55.6% ± 28.3)를 유지하여 병변과 정상 조직을 효과적으로 구분하는 강력한 성능을 보였다.