[論文レビュー] Firefly-Algorithm Supported Scheme to Detect COVID-19 Lesion in Lung CT Scan Images using Shannon Entropy and Markov-Random-Field

V. Rajinikanth, Seifedine Kadry+3 more|arXiv (Cornell University)|Apr 14, 2020

COVID-19 diagnosis using AI参考文献 28被引用数 8

ひとこと要約

本論文では、火焔虫アルゴリズムとシャノンエントロピーに基づくマルチスレッディング手法をマコフ確率場（MRF）セグメンテーションと組み合わせ、CT画像におけるCOVID-19肺病変を検出する手法を提案する。この手法は病変の可視性を向上させ、病変セグメンテーションにおいて92％を超える平均精度を達成しており、自動化された検出における強力な臨床的潜在能力を示している。

ABSTRACT

The pneumonia caused by Coronavirus disease (COVID-19) is one of major global threat and a number of detection and treatment procedures are suggested by the researchers for COVID-19. The proposed work aims to suggest an automated image processing scheme to extract the COVID-19 lesion from the lung CT scan images (CTI) recorded from the patients. This scheme implements the following procedures; (i) Image pre-processing to enhance the COVID-19 lesions, (ii) Image post-processing to extract the lesions, and (iii) Execution of a relative analysis between the extracted lesion segment and the Ground-Truth-Image (GTI). This work implements Firefly Algorithm and Shannon Entropy (FA+SE) based multi-threshold to enhance the pneumonia lesion and implements Markov-Random-Field (MRF) segmentation to extract the lesions with better accuracy. The proposed scheme is tested and validated using a class of COVID-19 CTI obtained from the existing image datasets and the experimental outcome is appraised to authenticate the clinical significance of the proposed scheme. The proposed work helped to attain a mean accuracy of >92% during COVID-19 lesion segmentation and in future, it can be used to examine the real clinical lung CTI of COVID-19 patients.

研究の動機と目的

• CTスキャン画像におけるCOVID-19肺病変を自動的かつ正確に検出するための手法を開発すること。
• 火焔虫アルゴリズムとシャノンエントロピーを用いた高度な画像前処理により、病変の可視性を向上させること。
• マコフ確率場（MRF）技術を用いてセグメンテーションの正確性を向上させること。
• 実際のCTIデータセットを用いて、地面真値画像と照合して提案手法の妥当性を検証すること。
• 診断ワークフローへの統合可能性を含めた臨床的関連性を確立すること。

提案手法

• 画像前処理では、火焔虫アルゴリズム（FA）とシャノンエントロピー（SE）を組み合わせたマルチスレッディングを用い、肺CTスキャンにおける病変のコントラストを向上させる。
• FA+SE手法は、エントロピーに基づく画像情報に基づき、画像セグメンテーション品質を最大化するようにしきい値を最適化する。
• 後処理では、マコフ・ランダム・フィールド（MRF）モデリングを用いて病変の境界を精緻化し、セグメンテーションの正確性を向上させる。
• MRFモデルは空間的文脈と局所的依存関係を組み込み、ノイズを低減するとともに病変構造を保持する。
• 抽出された病変セグメントをGround-Truth-Images（GTI）と比較して性能を評価する。
• 再現性と妥当性を確保するため、公開済みのCOVID-19肺CT画像データセットを用いて手法をテストする。

実験結果

リサーチクエスチョン

• RQ1 火焔虫アルゴリズムとシャノンエントロピーは、肺CTスキャンにおけるCOVID-19病変のセグメンテーションを向上させることができるか？
• RQ2 MRFの統合は、従来のセグメンテーション手法と比較して、病変検出の正確性をどのように向上させるか？
• RQ3 提案手法の定量的性能、特にセグメンテーションの正確性と一貫性はいかほどか？
• RQ4 誤検出を低減しつつ、病変の形態をどの程度保持できるか？
• RQ5 提案手法は、実臨床応用に向けた臨床的に意味のある正確性に到達できるか？

主な発見

• 提案されたFA+SEおよびMRFベースの手法は、テストされたCOVID-19CTスキャン画像において平均92％を超えるセグメンテーション正確性を達成した。
• 火焔虫アルゴリズムとシャノンエントロピーの統合により、病変のコントラストとしきい値設定の精度が顕著に向上した。
• マコフ・ランダム・フィールド（MRF）セグメンテーションは、ノイズ低減と病変境界の定義を効果的に改善した。
• Ground-Truth-Imagesとの比較において、本手法は病変抽出の信頼性を確認する強力な一貫性を示した。
• 結果から、自動的COVID-19肺障害検出における臨床的展開の強い可能性が示された。
• 本手法は実世界のデータセットで妥当性が確認されており、今後の臨床的CT画像解析への応用可能性を裏付けている。