[論文レビュー] COVID-19 Chest CT Image Segmentation -- A Deep Convolutional Neural Network Solution

Qingsen Yan, Bo Wang+8 more|arXiv (Cornell University)|Apr 23, 2020

COVID-19 diagnosis using AI参考文献 25被引用数 115

ひとこと要約

本論文は、COVID-SegNet を提案します。機能変動ブロック FV と Progressive Atrous Spatial Pyramid Pooling PASPP を備えた3D CNN を用いて、胸部CTスキャンからCOVID-19感染領域と肺を自動的に分割します。大規模なCOVID-19 CTデータセットで訓練されています。

ABSTRACT

A novel coronavirus disease 2019 (COVID-19) was detected and has spread rapidly across various countries around the world since the end of the year 2019, Computed Tomography (CT) images have been used as a crucial alternative to the time-consuming RT-PCR test. However, pure manual segmentation of CT images faces a serious challenge with the increase of suspected cases, resulting in urgent requirements for accurate and automatic segmentation of COVID-19 infections. Unfortunately, since the imaging characteristics of the COVID-19 infection are diverse and similar to the backgrounds, existing medical image segmentation methods cannot achieve satisfactory performance. In this work, we try to establish a new deep convolutional neural network tailored for segmenting the chest CT images with COVID-19 infections. We firstly maintain a large and new chest CT image dataset consisting of 165,667 annotated chest CT images from 861 patients with confirmed COVID-19. Inspired by the observation that the boundary of the infected lung can be enhanced by adjusting the global intensity, in the proposed deep CNN, we introduce a feature variation block which adaptively adjusts the global properties of the features for segmenting COVID-19 infection. The proposed FV block can enhance the capability of feature representation effectively and adaptively for diverse cases. We fuse features at different scales by proposing Progressive Atrous Spatial Pyramid Pooling to handle the sophisticated infection areas with diverse appearance and shapes. We conducted experiments on the data collected in China and Germany and show that the proposed deep CNN can produce impressive performance effectively.

研究の動機と目的

• 胸部CTにおけるCOVID-19感染の迅速で正確な自動分割を診断と治療支援のため動機づける。
• 頑健な深層学習に基づく分割を可能にするCOVID-19症例の大規模な注釈付きCTデータセットを作成する。
• さまざまな感染の外観と境界に対応する特化型ネットワークアーキテクチャを開発する。

提案手法

• FVブロックと二つの新規モジュールを備えた3Dエンコーダ-デコーダネットワークCOVID-SegNetを提案する。
• FVブロックはコントラスト強調、位置感度、アイデンティティブランチを組み合わせて、チャネルと空間の注意を介して感染境界を適応的に強調する。
• PASPPは膨張率を増やす畳み込みを用いてマルチスケール特徴を逐次統合し、感染のサイズと形状の多様性を捉える。
• 21,658枚の画像、861人の患者からなる大規模注釈付きCTデータセットでエンドツーエンド訓練し、Diceとクロスエントロピーを組み合わせたバランス損失で訓練する。
• 評価はDice、感度、精度指標をCOVID-19感染と肺分割の双方で行い、FCN、UNet、UNet++、VNetと比較する。）

実験結果

リサーチクエスチョン

• RQ1 専門的な注意機構とマルチスケールプーリングを備えた3D CNNは、従来のアーキテクチャを超えて胸部CT上のCOVID-19感染分割を改善できるか？
• RQ2 FVブロックは感染領域の境界描写を改善し、PASPPはマルチスケールの文脈特徴統合を改善するか？
• RQ3 提案モデルは中国とドイツの異なるセンターのデータに対して、COVID-19感染分割と肺分割の一般化性能はどの程度か？
• RQ4 標準的な分割指標において、COVID-SegNetは最先端手法よりどの程度の定量的向上を達成するか？

主な発見

• COVID-SegNetは国内テストセットでCOVID-19感染分割のDiceが0.726、感度0.751、精度0.726を達成。
• 肺分割 Diceは0.987、感度0.986、精度0.990で、いくつかのベースラインを上回る。
• ドイツデータセットでは、COVID-SegNetは小さな感染領域を含むほぼ手動品質のCOVID-19分割を生成し、FCN、UNet、UNet++、VNetを上回る。
• アブレーション研究はFVとPASPPブロックが、ベースラインのUNet4および代替案と比較してCOVID-19および肺分割を実質的に改善することを示した。
• PASPPの逐次融合は、従来のASPPやResASPPよりも多様なマルチスケール特徴統合がより効果的で、性能向上をもたらす。