[論文レビュー] Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation

Gusztáv Gaál, Balázs Maga+1 more|arXiv (Cornell University)|Mar 23, 2020

COVID-19 diagnosis using AI参考文献 12被引用数 128

ひとこと要約

本論文は、胸部X線の肺セグメンテーションのための敵対的クリティックを備えた Attention U-Net（adv. ATTN U-Net）を提案し、高い Dice スコアとデータセット間の良好な汎化を実現します。焦点付きの Tversky 損失とセグメンテーション形状を洗練させる構造修正的な adversarial フレームワークを採用します。

ABSTRACT

Chest X-ray is the most common test among medical imaging modalities. It is applied for detection and differentiation of, among others, lung cancer, tuberculosis, and pneumonia, the last with importance due to the COVID-19 disease. Integrating computer-aided detection methods into the radiologist diagnostic pipeline, greatly reduces the doctors' workload, increasing reliability and quantitative analysis. Here we present a novel deep learning approach for lung segmentation, a basic, but arduous task in the diagnostic pipeline. Our method uses state-of-the-art fully convolutional neural networks in conjunction with an adversarial critic model. It generalized well to CXR images of unseen datasets with different patient profiles, achieving a final DSC of 97.5% on the JSRT dataset.

研究の動機と目的

• 胸部X線の肺セグメンテーション精度を Attention U-Net アーキテクチャで向上させる。
• ROIの事前選択を過度に行うことなく、より現実的なセグメンテーションマスクを生み出すための adversarial ガイダンスを組み込む。
• ground-truth マスクを持つ複数の公開胸部X線データセットで方法の汎化を評価する。
• 不均衡または小さな ROI に特化した医用画像分割向けの効果的な損失関数を探る。

提案手法

• 外部ROI preselection なしで関連する局所特徴に焦点を当てる Attention U-Net アーキテクチャを採用する。
• 現実的なセグメンテーションマスクを促すため、SCAN に着想を得た adversarial critic モデルを統合する。
• クラス不均衡と小さな肺領域に対処するため、標準的な損失を Focal Tversky Loss に置換する。
• S（セグメンター）と D（クリティック）からなる min-max 目的関数を訓練し、ピクセル単位損失と adversarial 損失のバランスを制御するパラメータ lambda（0.1 に設定）
• ジェネレータを 50 エポック pretrained し、その後 5 回のジェネレータ更新につき 1 回のクリティック更新で adversarial に訓練する。
• CLAHE で前処理、512x512 にリサイズ、[-1,1] に正規化して robust な訓練を行う。

実験結果

リサーチクエスチョン

• RQ1 U-Net 内の Attention Gates は ROI preselection なしで肺セグメンテーションを改善できるか？
• RQ2 adversarial critic は 強力な Attention U-Net のベースラインを超えてセグメンテーションマスクの現実性を向上させるか？
• RQ3 JSRT、Montgomery、Shenzhen のさまざまな患者プロフィールと撮像条件でモデルはどの程度汎化するか？
• RQ4 胸部X線分割において不均衡で小さなターゲット領域を最適に処理する損失関数は何か？

主な発見

• 提案手法は JSRT データセットで Dice スコア 0.975 を達成（要旨に記載の最終 DSC 97.5%）。
• JSRT、SCAN、および Ours (Adv. ATTN) の比較では JSRT: 97.3±0.8%（SCAN）、96.3±0.7%（ATTN U-Net）、97.6±0.5%（Adv. ATTN）。
• すべてのデータセットを通して、Ours (Adv. ATTN) は 96.2±0.4%（All）対 95.8±0.4%（SC AN）を達成した。
• 全データセットを合わせた場合 All / JSRT に対して、Adv. ATTN は 97.8±0.6%、ATTN U‑Net は 96.6±0.6%。
• adversarial スキームは形状の改良と小さな Dice の改善を提供し、前処理が跨データセットの強力な汎化に寄与した。
• 訓練は prior work より速く、全体で 40 エポック、安定した SGD 最適化レジーム。