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

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

COVID-19 diagnosis using AI인용 수 39

한 줄 요약

이 논문은 병변 패atters의 높은 변동성과 낮은 조직 대비로 인해 어려운 코로나19 CT 영상에서 폐 감염 부위를 자동으로 분할하는 데 목적이 있는 딥러닝 프레임워크인 Inf-Net을 제안한다. 이는 병렬 부분 디코더, 암묵적 역방향 주의, 명시적 에지 주의를 결합하여 경계 검출 및 표현 학습을 향상시킨다. 제안된 반감독 전략을 통해 제한된 레이블 데이터와 풍부한 비레이블 데이터를 활용함으로써 모델의 일반화 능력과 분할 정확도를 크게 향상시키며, 최신 기술 수준의 성능을 달성한다.

ABSTRACT

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

• 높은 변동성이 있는 병변 패턴과 낮은 조직 대비로 인해 코로나19 CT 영상에서 폐 감염 부위를 정확히 분할하는 데 도전하는 것.
• 작은 레이블이 부여된 데이터셋의 한계를 극복하기 위해 비레이블 데이터를 효과적으로 활용하는 반감독 학습 프레임워크를 개발하는 것.
• 주목적 기반 메커니즘을 통해 특징 표현과 경계 정렬을 향상시켜 분할 성능을 향상시키는 것.
• 딥러닝을 활용한 전염성 폐질환 영상 분할 분야에서 최신 기술 수준을 향상시키는 것.

제안 방법

• 고수준 특징을 집계하고 전역적 맵을 생성하기 위해 병렬 부분 디코더를 사용하여 분할의 맥락을 향상시킨다.
• 높은 불확실성 영역에 집중함으로써 특징 맵을 개선하고 특징의 구분 능력을 향상시키기 위해 암묵적 역방향 주의를 도입한다.
• 경계 영역을 강조하여 감염된 폐 부위의 정렬 정확도를 향상시키기 위해 명시적 에지 주의를 적용한다.
• 비레이블 데이터를 효과적으로 활용하면서도 레이블이 부여된 예시에 대한 의존도를 최소화하기 위해 무작위 선택된 전파 전략을 사용하는 반감독 학습 프레임워크를 제안한다.
• 제한된 레이블이 부여된 데이터와 방대한 비레이블 CT 볼륨을 조합하여 엔드 투 엔드로 모델을 훈련시켜 일반화 능력을 향상시킨다.
• 모델의 강건성과 성능을 검증하기 위해 제안된 COVID-SemiSeg 데이터셋과 실제 임상 CT 영상 모두에서 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 낮은 대비와 높은 병변 패턴의 변동성에도 불구하고 딥러닝 모델이 코로나19 CT 영상에서 우수한 폐 감염 부위 분할 성능를 달성할 수 있는가?
• RQ2 레이블이 부여된 CT 영상 수가 매우 적을 경우 반감독 학습 전략이 분할 성능 향상에 얼마나 효과적인가?
• RQ3 암묵적 역방향 주의와 명시적 에지 주의를 포함한 주목적 기반 메커니즘이 경계 검출 및 특징 표현을 얼마나 향상시키는가?
• RQ4 제안된 Inf-Net 프레임워크가 실제 세계 및 기준 데이터셋에서 기존 최신 기술 수준의 분할 모델을 초월하는가?

주요 결과

• Inf-Net은 COVID-SemiSeg 데이터셋과 실제 임상 CT 영상 모두에서 최신 기술 수준의 성능를 달성하며, 기존 분할 모델을 능가한다.
• 반감독 프레임워크는 제한된 레이블 데이터로도 방대한 비레이블 데이터를 효과적으로 활용함으로써 모델 성능을 크게 향상시킨다.
• 암묵적 역방향 주의와 명시적 에지 주의의 통합은 더 정확한 경계 정렬과 향상된 특징 표현을 이끈다.
• 병렬 부분 디코더는 전역 맥락을 효과적으로 포착하여 분할 일관성과 강건성을 향상시킨다.
• 모델는 다양한 CT 영상에서 강력한 일반화 능력을 보이며, 데이터 부족 상황에서도 임상 적용 가능성을 시사한다.
• 제안된 방법은 대규모 레이블이 부여된 데이터셋에 대한 의존도를 줄여, 신속한 전파가 필요한 새로운 전염성 질환 상황에 적합하다.