[論文レビュー] Deep learning to estimate the physical proportion of infected region of lung for COVID-19 pneumonia with CT image set

Wei Wu, Yu Shi+6 more|arXiv (Cornell University)|Jun 9, 2020

COVID-19 diagnosis using AI参考文献 7被引用数 5

ひとこと要約

本研究では、CT画像からCOVID-19に感染した肺の物理的割合を推定するための深層学習フレームワークを提案する。ハンフリー値に基づく初期化と放射線科医が検証したマスクを組み合わせることで、感染領域のDiceスコアは0.757、真値とのピアソン相関は0.961を達成し、疾患の重症度を正確に定量的に評価することが可能になる。

ABSTRACT

Utilizing computed tomography (CT) images to quickly estimate the severity of cases with COVID-19 is one of the most straightforward and efficacious methods. Two tasks were studied in this present paper. One was to segment the mask of intact lung in case of pneumonia. Another was to generate the masks of regions infected by COVID-19. The masks of these two parts of images then were converted to corresponding volumes to calculate the physical proportion of infected region of lung. A total of 129 CT image set were herein collected and studied. The intrinsic Hounsfiled value of CT images was firstly utilized to generate the initial dirty version of labeled masks both for intact lung and infected regions. Then, the samples were carefully adjusted and improved by two professional radiologists to generate the final training set and test benchmark. Two deep learning models were evaluated: UNet and 2.5D UNet. For the segment of infected regions, a deep learning based classifier was followed to remove unrelated blur-edged regions that were wrongly segmented out such as air tube and blood vessel tissue etc. For the segmented masks of intact lung and infected regions, the best method could achieve 0.972 and 0.757 measure in mean Dice similarity coefficient on our test benchmark. As the overall proportion of infected region of lung, the final result showed 0.961 (Pearson's correlation coefficient) and 11.7% (mean absolute percent error). The instant proportion of infected regions of lung could be used as a visual evidence to assist clinical physician to determine the severity of the case. Furthermore, a quantified report of infected regions can help predict the prognosis for COVID-19 cases which were scanned periodically within the treatment cycle.

研究の動機と目的

• COVID-19 CT画像における健全および感染肺領域の自動セグメンテーションのための深層学習手法を開発すること。
• 臨床的重症度評価のため、感染肺組織の物理的体積割合を推定すること。
• ハンフリー値の事前知識と専門家がアノテートした真値を組み合わせることで、セグメンテーションの正確性を向上させること。
• 治療中の疾病進行をモニタリングするための定量的で再現性のある指標を生成すること。

提案手法

• CTスキャンからの内在的ハンフリー単位（HU）値を用いて、健全および感染肺領域の初期セグメンテーションマスクを生成した。
• 二段階の精錬プロセスを適用した：第一に、HUに基づくしきい値処理により初期の不正確なマスクを作成し、第二に、放射線科医がこれらのマスクを手動で修正して高品質なトレーニングおよびテストセットを構築した。
• 標準UNetと2.5D UNetの2つの深層学習モデルを訓練し、健全および感染肺領域のセグメンテーションを精錬した。
• 感染領域の予測から誤検出（気管支や血管など）を除去するためのポストプロセッシング分類器を適用した。
• 最終的な感染体積は、セグメンテーションマスクを3次元ボリュームに変換することで計算され、物理的割合の推定が可能になった。
• モデルの性能は、放射線科医が検証した真値との間でDice類似係数およびピアソン相関係数を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 ハンフリー値に基づく初期化と専門家がアノテートしたデータを用いた深層学習モデルは、COVID-19 CT画像における健全および感染肺領域を正確にセグメンテーションできるか？
• RQ2 2.5D UNetアーキテクチャは、標準UNetと比較して、CT画像からの感染肺領域のセグメンテーションにおいてどのように異なるか？
• RQ3 予測された感染体積は、実際の肺への影響の物理的割合とどの程度相関するか？
• RQ4 このフレームワークは、臨床的モニタリングおよび予後予測のための信頼性があり定量的な報告書を生成できるか？

主な発見

• テストセットにおける健全肺セグメンテーションの平均Dice類似係数は0.972を達成した。
• 感染肺領域セグメンテーションにおいて、最良のモデルがDiceスコア0.757を達成した。
• 予測された感染体積は、真値の物理的割合とピアソン相関係数0.961を示した。
• 感染体積割合の推定における平均絶対誤差は11.7％であった。
• 専用のポストプロセッシング分類器のおかげで、気管支や血管などの構造からの誤検出が効果的に低減された。
• 得られた物理的割合推定値は、疾患の重症度評価および治療反応の追跡に信頼性があり定量的な指標を提供した。