[논문 리뷰] Label-Free Segmentation of COVID-19 Lesions in Lung CT

Qingsong Yao, Li Xiao외 2명|arXiv (Cornell University)|2020. 09. 08.

COVID-19 diagnosis using AI참고 문헌 54인용 수 5

한 줄 요약

이 논문은 정상 조직 패턴을 모델링하기 위해 합성 '병변'과 정상 CT 볼륨을 구분하는 보조 과제를 활용하여, 레이블이 없는 3D U-Net 기반의 COVID-19 폐 병변 세분화 방법인 NormNet을 제안한다. 이 방법은 세 가지 공개 데이터셋에서 비지도 병변 세분화 분야에서 최신 기술을 초월하며, 병변에 대한 어떤 애너테이션도 필요로 하지 않는다.

ABSTRACT

Scarcity of annotated images hampers the building of automated solution for reliable COVID-19 diagnosis and evaluation from CT. To alleviate the burden of data annotation, we herein present a label-free approach for segmenting COVID-19 lesions in CT via pixel-level anomaly modeling that mines out the relevant knowledge from normal CT lung scans. Our modeling is inspired by the observation that the parts of tracheae and vessels, which lay in the high-intensity range where lesions belong to, exhibit strong patterns. To facilitate the learning of such patterns at a pixel level, we synthesize `lesions' using a set of surprisingly simple operations and insert the synthesized `lesions' into normal CT lung scans to form training pairs, from which we learn a normalcy-converting network (NormNet) that turns an 'abnormal' image back to normal. Our experiments on three different datasets validate the effectiveness of NormNet, which conspicuously outperforms a variety of unsupervised anomaly detection (UAD) methods.

연구 동기 및 목표

• 자동 진단 및 병변 세분화를 위한 신뢰할 수 있는 딥 러닝 모델 개발을 저해하는, 애너테이션된 COVID-19 CT 데이터셋의 부족 문제를 해결한다.
• 특히 COVID-19 병변의 복잡하고 다양한 외관으로 인해 3D CT 볼륨의 전문가 애너테이션에 소요되는 높은 비용과 시간 부담을 완화한다.
• 정상 폐 조직의 규칙적인 패턴을 활용하여 병변 수준의 애너테이션이 전혀 필요 없이 COVID-19 병변을 세분화할 수 있는 방법을 개발한다.
• 정상 CT 스캔에 합성 병변을 삽입하여 정상성 인식 네트워크(NormNet)를 학습시키기 위한 보조 학습 과제를 설정하여 볼륨 수준의 이상 탐지 능력을 향상시킨다.

제안 방법

• 랜덤 형상 생성, 노이즈 주입, 필터링과 같은 간단한 연산을 사용하여 다양한 '병변'을 합성하여 풍부한 합성 이상 현상 라이브러리를 구축한다.
• 실제 정상 CT 스캔에 합성 병변을 삽입하여 보조 과제를 위한 정상 및 '이상' 이미지 쌍으로 구성된 훈련 데이터를 형성한다.
• 3D U-Net 기반의 정상성 인식 네트워크(NormNet)를 훈련시켜 건강한 조직과 합성 병변을 구분하며, 볼륨 수준에서 날카운 결정 경계를 학습한다.
• 학습의 진정한 타겟을 '건강한 조직'(공기 백령 제외)으로 정의하여 저강도 공기 영역에 과적합되는 것을 방지하고 고강도 정상 조직에 대한 민감도를 향상시킨다.
• 학습된 NormNet을 사용하여 실제 COVID-19 CT 스캔에서 이상을 탐지하며, 정상 조직 경계를 초월한 볼륨은 잠재적 병변으로 분류한다.
• 네트워크 출력에 임계값 전략을 적용하여 최종 병변 세분화 마스크를 생성하며, 직접적인 지도 학습 없이도 실제 COVID-19 병변에 대해 일반화된 결론 경계를 확보한다.

실험 결과

연구 질문

• RQ1 정상 조직 패턴을 모델링함으로써 병변 수준의 애너테이션 데이터가 전혀 없는 경우에도 딥 러닝 모델이 COVID-19 병변을 탐지할 수 있는가?
• RQ2 정상 CT 스캔에 삽입된 합성 병변을 활용한 보조 과제가 실제 COVID-19 병변에 대해 효과적인 볼륨 수준의 이상 탐지 능력을 제공하는가?
• RQ3 제안된 레이블 없는 방법이 공개된 COVID-19 CT 데이터셋에서 기존의 비지도 이상 탐지 기법보다 성능이 뛰어나게 되는가?
• RQ4 모델의 주요 실패 유형은 무엇이며, 데이터셋 별 차이 및 저강도 노이즈는 세분화 신뢰도에 어떤 영향을 미치는가?

주요 결과

• NormNet은 세 가지 공개 COVID-19 데이터셋에서 병변 수준의 애너테이션이 전혀 없는 다수의 최신 비지도 이상 탐지(UAD) 기법을 뛰어넘으며, 뛰어난 일반화 능력을 입증한다.
• SIRM-Seg 및 UESTC 데이터셋에서 높은 Dice 스코어를 기록하였으며, 각각 0.72와 0.68의 Dice 계수를 기록하여 강력한 병변 세분화 성능를 입증한다.
• 합성 병변을 직접 세분화하는 대신 건강한 조직을 탐지하도록 네트워크를 훈련시키는 것이 더 뛰어난 성능을 내며, 이는 고강도 정상 조직에 대한 민감도 향상과 거짓 양성 감소에 기여한다.
• 실패 분석 결과, 모델이 종종 폐 섬유화와 같은 비-COVID-19 병변을 병변으로 잘못 분류하는 경향이 있어, COVID-19 패턴에 대한 특이도가 제한됨을 시사한다.
• 다른 슬라이스 두께나 재구성 방법(예: Radiopedia)을 가진 데이터셋에서는 분포 이격 현상으로 인해 거짓 양성이 빈번하게 발생한다.
• 임계값 τ 이하의 강도 값을 가진 작은 병변은 자주 간과되며, 이는 저대비 또는 미세한 이상을 탐지하는 데 지속적인 과제임을 보여준다.