[논문 리뷰] Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images

Xiaocong Chen, Lina Yao외 1명|arXiv (Cornell University)|2020. 04. 12.

COVID-19 diagnosis using AI참고 문헌 35인용 수 187

한 줄 요약

본 논문은 Residual Attention U-Net를 제안하여 Aggregated Residual Transformations(ResNeXt 블록)과 locality-sensitive hashing 주의를 결합해 흉부 CT 이미지의 COVID-19 감염 영역 다중 클래스 분할을 달성하고, 공개 데이터셋에서 U-Net에 비해 상당한 이점을 보인다.

ABSTRACT

The novel coronavirus disease 2019 (COVID-19) has been spreading rapidly around the world and caused significant impact on the public health and economy. However, there is still lack of studies on effectively quantifying the lung infection caused by COVID-19. As a basic but challenging task of the diagnostic framework, segmentation plays a crucial role in accurate quantification of COVID-19 infection measured by computed tomography (CT) images. To this end, we proposed a novel deep learning algorithm for automated segmentation of multiple COVID-19 infection regions. Specifically, we use the Aggregated Residual Transformations to learn a robust and expressive feature representation and apply the soft attention mechanism to improve the capability of the model to distinguish a variety of symptoms of the COVID-19. With a public CT image dataset, we validate the efficacy of the proposed algorithm in comparison with other competing methods. Experimental results demonstrate the outstanding performance of our algorithm for automated segmentation of COVID-19 Chest CT images. Our study provides a promising deep leaning-based segmentation tool to lay a foundation to quantitative diagnosis of COVID-19 lung infection in CT images.

연구 동기 및 목표

• 요약 자동 다중 클래스 COVID-19 폐 감염 영역의 흉부 CT 이미지 분할 동기를 제시한다.
• 피처 표현 및 주의를 개선하여 감염 패턴을 구분하는 딥러닝 모델을 개발한다.
• baseline U-Net 대비 우수성을 보여주고 구성 요소의 기여를 차단(ablation)을 통해 분석한다.

제안 방법

• 인코더에서 Aggregated Residual Transformations(ResNeXt 블록)을 사용하여 강건한 피처를 학습한다.
• 디코더에 locality-sensitive hashing(LSH) 주의 메커니즘을 도입하여 다중 클래스 분할을 향상시킨다.
• U-Net과 유사한 아키텍처에서 스킵 연결을 이용해 인코더와 디코더 피처를 융합한다.
• 다중 클래스 크로스 엔트로피 손실로 픽셀 단위 레이블링을 다중 감염 클래스 및 배경에 대해 학습한다.
• 데이터 증강(회전 및 스케일) 수행 및 증강 여부 설정에서 Baseline U-Net과의 비교를 수행한다.
• 공개 COVID-19 CT 데이터셋에 대해 10-fold 교차 검증으로 Dice Score, 정확도, 정밀도를 평가한다.

실험 결과

연구 질문

• RQ1 Residual Attention U-Net가 표준 U-Net보다 COVID-19 감염 영역의 다중 클래스 분할을 개선하는가?
• RQ2 ResNeXt 블록과 LSH 기반 주의가 분할 성능에 어떤 기여를 하는가?
• RQ3 공개 데이터셋에서 데이터 증강 여부에 따라 성능 차이가 나타나는가?

주요 결과

• 제안된 모델은 데이터 증강을 사용할 때 U-Net보다 더 높은 분할 성능을 달성한다: 제안 방법 DSC 0.94, 정확도 0.89, 정밀도 0.95; U-Net은 DSC 0.82, 정확도 0.79, 정밀도 0.83.
• 증강 없이도 제안 방법이 여전히 U-Net보다 나은 성능을 보인다(DSC 0.83 대 0.75; 정확도 0.79 대 0.70; 정밀도 0.82 대 0.72).
• 증강 시 U-Net 대비 개선 폭은 DSC에서 14.6%, 정확도 12.7%, 정밀도 14.5%이고, 증강 없이 각각 10.7%, 12.9%, 13.9%이다.
• 주의 또는 ResNeXt 블록 중 하나를 제거하면 성능이 감소하여 두 구성 요소가 U-Net 대비 이점을 주도함을 시사한다.
• 주의 없는 모델(M-A)은 증강 시 DSC 0.85, 정확도 0.82, 정밀도 0.84, 증강 없이 DSC 0.79, 정확도 0.74, 정밀도 0.77을 달성한다; ResNeXt 없는 모델(M-R)은 증강 시 DSC 0.84, 정확도 0.81, 정밀도 0.83, 증강 없이 DSC 0.77, 정확도 0.76, 정밀도 0.77를 달성한다.
• 전반적으로 이 접근법은 CT 이미지에서 다중 클래스 COVID-19 감염 정량화를 위한 가능성 높은 자동 도구를 제공한다.