[論文レビュー] Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation

Yichi Zhang, Qingcheng Liao+4 more|arXiv (Cornell University)|Dec 31, 2020

COVID-19 diagnosis using AI参考文献 39被引用数 5

ひとこと要約

本論文では、非COVID-19肺病変からの共有特徴を活用することで、アノテーションに依存しないCOVID-19 CT肺感染症セグメンテーションを向上させる関係駆動型協調学習モデルを提案する。二重エンコーダー（一般向けとタスク固有）を採用し、特徴の関係の一貫性を強制することで、限定的なアノテート済みCOVID-19データを用いても、SOTA性能を達成し、Diceスコアで最大3.0%高く、正規化表面Diceで4.2%高い結果を達成した。

ABSTRACT

The novel Coronavirus disease (COVID-19) is a highly contagious virus and has spread all over the world, posing an extremely serious threat to all countries. Automatic lung infection segmentation from computed tomography (CT) plays an important role in the quantitative analysis of COVID-19. However, the major challenge lies in the inadequacy of annotated COVID-19 datasets. Currently, there are several public non-COVID lung lesion segmentation datasets, providing the potential for generalizing useful information to the related COVID-19 segmentation task. In this paper, we propose a novel relation-driven collaborative learning model to exploit shared knowledge from non-COVID lesions for annotation-efficient COVID-19 CT lung infection segmentation. The model consists of a general encoder to capture general lung lesion features based on multiple non-COVID lesions, and a target encoder to focus on task-specific features based on COVID-19 infections. Features extracted from the two parallel encoders are concatenated for the subsequent decoder part. We develop a collaborative learning scheme to regularize feature-level relation consistency of given input and encourage the model to learn more general and discriminative representation of COVID-19 infections. Extensive experiments demonstrate that trained with limited COVID-19 data, exploiting shared knowledge from non-COVID lesions can further improve state-of-the-art performance with up to 3.0% in dice similarity coefficient and 4.2% in normalized surface dice. Our proposed method promotes new insights into annotation-efficient deep learning for COVID-19 infection segmentation and illustrates strong potential for real-world applications in the global fight against COVID-19 in the absence of sufficient high-quality annotations.

研究の動機と目的

• 肺感染症セグメンテーションのための高品質なアノテート済みCOVID-19 CTスキャンが限られているという課題に対処する。
• 公開済みの非COVID-19肺病変データセットを活用して、モデルの一般化性能を向上させ、アノテーション依存を低減する。
• 非COVID-19およびCOVID-19肺病変間で共有される意味的知識を効果的に転送する手法を開発する。
• 特徴レベルの関係正則化を通じて、少数のアノテート済みCOVID-19症例でも頑健なセグメンテーション性能を実現する。

提案手法

• 一般エンコーダー（複数の非COVID-19肺病変データセットで学習）とタスク固有エンコーダー（限定的なCOVID-19データで微調整）からなる二重エンコーダー・アーキテクチャを採用し、共有病変特徴を学習する。
• 両エンコーダーの特徴を連結して入力し、共有デコーダーを用いてセグメンテーションマスクを再構築する。
• 同じ入力に対して一般エンコーダーとターゲットエンコーダーの間で特徴レベルの関係の一貫性を強制する協調学習スキームを導入する。
• 一般特徴とターゲット特徴の関係行列の絶対差を最小化することで、モデルを正則化し、識別性があり一般化可能な表現を促進する。
• 同様の関係正則化を未ラベル付きCOVID-19スキャンに適用することで、半教師あり学習に拡張する。
• セグメンテーション性能を最適化するために、交差エントロピー損失とDice損失の組み合わせで、エンドツーエンドにモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 非COVID-19肺病変からの共有知識は、リソースが限られたCOVID-19 CT画像診断シナリオでセグメンテーション性能を向上させることができるか？
• RQ2 一般エンコーダーとタスク固有エンコーダー間の特徴レベルの関係の一貫性は、モデルの頑健性と一般化性能をどの程度向上させることができるか？
• RQ3 未ラベル付きCOVID-19スキャンは、関係正則化とセグメンテーション精度の向上にどの程度活用可能か？
• RQ4 提案手法は、アノテーションに依存しないCOVID-19肺感染症セグメンテーションにおいて、既存のSOTA手法を上回る性能を示すか？

主な発見

• 限定的なラベル付きCOVID-19データで学習した場合、提案手法はSOTA手法と比較して、Dice類似係数で最大3.0%向上、正規化表面Diceで4.2%向上した。
• 2Dおよび3Dデータセットの両方で、すべての評価指標において既存のセグメンテーション手法を顕著に上回り、強力な一般化性能と頑健性を示した。
• 協調学習スキームにより、一般エンコーダーとターゲットエンコーダー間の関係の一貫性を強制することで、学習の安定性が向上し、特徴表現が強化された。
• アノテーションがなくても、未ラベル付きCOVID-19スキャンを活用して関係正則化を改善し、一貫した性能向上を達成できた。
• 特徴関係行列の可視化により、訓練の過程でモデルが徐々に識別性が高く安定した表現を学習していることが示された。特にターゲットエンコーダーで顕著であった。
• 病変の形状、サイズ、位置の大きなばらつきに対しても、本手法は効果を示し、臨床的課題の多い症例に対しても強い適応性を示した。