[논문 리뷰] Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images

Deng-Ping Fan, Tao Zhou외 6명|arXiv (Cornell University)|2020. 04. 22.

COVID-19 diagnosis using AI참고 문헌 77인용 수 15

한 줄 요약

이 논문은 암묵적 역방향 주의 및 명시적 에지 주의 메커니즘을 활용하여 경계 검출과 표현 학습을 향상시켜 코로나19 CT 영상에서 자동으로 폐 감염 부위를 분할하는 딥러닝 프레임워크인 Inf-Net을 제안한다. 또한 소량의 라벨 데이터와 풍부한 라벨 없음 데이터를 활용하는 준지도 학습 전략을 도입하여 합성 및 실제 CT 볼륨에서 최신 기술 수준의 성능을 달성하였으며, Dice 점수는 최대 0.894에 도달하고 MAE는 0.064까지 낮아졌다.

ABSTRACT

Coronavirus Disease 2019 (COVID-19) spread globally in early 2020, causing the world to face an existential health crisis. Automated detection of lung infections from computed tomography (CT) images offers a great potential to augment the traditional healthcare strategy for tackling COVID-19. However, segmenting infected regions from CT slices faces several challenges, including high variation in infection characteristics, and low intensity contrast between infections and normal tissues. Further, collecting a large amount of data is impractical within a short time period, inhibiting the training of a deep model. To address these challenges, a novel COVID-19 Lung Infection Segmentation Deep Network (Inf-Net) is proposed to automatically identify infected regions from chest CT slices. In our Inf-Net, a parallel partial decoder is used to aggregate the high-level features and generate a global map. Then, the implicit reverse attention and explicit edge-attention are utilized to model the boundaries and enhance the representations. Moreover, to alleviate the shortage of labeled data, we present a semi-supervised segmentation framework based on a randomly selected propagation strategy, which only requires a few labeled images and leverages primarily unlabeled data. Our semi-supervised framework can improve the learning ability and achieve a higher performance. Extensive experiments on our COVID-SemiSeg and real CT volumes demonstrate that the proposed Inf-Net outperforms most cutting-edge segmentation models and advances the state-of-the-art performance.

연구 동기 및 목표

• 흐린 경계와 제한된 라벨 데이터로 인해 저대비도가 높고 변동성이 큰 코로나19 CT 영상에서 폐 감염 부위를 분할하는 데 도전하는 문제를 해결한다.
• 고품질의 픽셀 수준 라벨이 부족한 문제를 해결하기 위해 라벨 없음 데이터를 활용하는 준지도 학습 프레임워크를 개발하여 고급 라벨이 필요한 CT 영상의 부족함을 보완한다.
• 대부분의 CT 슬라이스가 비감염 상태인 실제 임상 환경에서의 강건한 일반화 능력을 확보하기 위해 분할 성능을 향상시킨다.
• 코로나19를 초월하여 폴립 또는 결함 검출과 같은 저대비 물체 분할 작업에 적용 가능한 일반화 가능한 프레임워크를 설계한다.

제안 방법

• 고수준 특징을 집계하고 전역적 맵을 생성하여 감염 부위의 정확한 국소화를 향상시키기 위해 병렬 부분 디코더를 도입한다.
• 배경을 억제하고 감염 영역을 강조함으로써 특징 표현을 향상시키기 위해 암묵적 역방향 주의를 활용한다.
• 감염된 폐 조직과 정상 폐 조직 간의 경계를 정밀하게 다듬어 분할 정확도를 햖저시키기 위해 명시적 에지 주의를 통합한다.
• 무작위 전파를 활용하여 라벨 없음 CT 슬라이스를 효과적으로 활용하는 준지도 학습 전략을 제안한다. 이는 라벨 데이터 의존도를 감소시킨다.
• 실제 CT 볼륨에서 100개의 라벨이 부여된 감염 슬라이스와 1,600개의 라벨 없음 슬라이스를 조합하여 실세계 데이터 부족 상황을 시뮬레이션한다.
• 두 단계로 구성된 훈련 파이프라인을 사용한다: 먼저 라벨 데이터로 사전 훈련을 수행하고, 이후 준지도 학습 전략을 활용해 세밀 조정을 통해 감염 및 비감염 슬라이스 양쪽에서 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 고도로 변동성이 큰 환자 간 차이가 있는 코로나19 CT 영상에서 저대비도가 높고 형태가 불규칙한 폐 감염 부위를 분할하는 데 깊이 학습 모델이 효과적으로 작용할 수 있는가?
• RQ2 제한된 라벨이 부여된 의료 영상 분할 작업에서 주의 메커니즘이 경계 검출 및 표현 학습을 어떻게 향상시킬 수 있는가?
• RQ3 준지도 학습 접근법이 비용이 많이 드는 픽셀 수준의 라벨을 얼마나 줄일 수 있으며, 분할 정확도를 유지하거나 향상시킬 수 있는가?
• RQ4 제안된 프레임워크는 비감염 슬라이스 비율이 높은 실제 CT 볼륨에서 성능 저하 없이 일반화 가능한가?
• RQ5 Inf-Net 아키텍처는 저대비 또는 은폐된 물체를 포함한 다른 의료 영상 작업으로 이식 가능한가?

주요 결과

• COVID-SemiSeg 데이터셋에서 Inf-Net은 0.894의 Dice 점수를 기록하여 기준 모델인 U-Net(0.736) 대비 12.5% 향상되었으며, 평균 절대 오차(MAE)는 0.064를 기록했다.
• 준지도 학습 버전인 Semi-Inf-Net은 실제 CT 볼륨에서 Dice 점수 0.894와 MAE 0.033을 기록하여 모든 기준 모델을 능가했다.
• 638개 슬라이스(비감염 285개, 감염 353개)를 포함한 실제 CT 볼륨에서 Inf-Net은 Dice 점수 0.579와 MAE 0.047를 기록하여 U-Net과 Attention-UNet보다 뚜렷이 뛰어난 강건성을 입증했다.
• 제거 실험을 통해 병렬 부분 디코더, 역방향 주의, 에지 주의를 모두 조합할 경우 최고의 성능을 기록하였으며, Dice 점수는 0.739에서 0.894로 상승했다.
• 준지도 학습 훈련 전략은 1,600개의 라벨 없음 슬라이스를 효과적으로 활용하여 완전히 지도 학습 대비 MAE를 43% 감소시켰으며, 이는 높은 데이터 효율성을 시사한다.
• 실제 볼륨에서 높은 특이도(0.977)와 양성 예측값(0.515)을 유지하여 비감염 슬라이스에서의 높은 일반화 능력과 낮은 위양성 검출을 입증했다.