[논문 리뷰] Lung Segmentation from Chest X-rays using Variational Data Imputation

Raghavendra Selvan, Erik B. Dam외 5명|arXiv (Cornell University)|2020. 05. 20.

COVID-19 diagnosis using AI참고 문헌 32인용 수 46

한 줄 요약

본 논문은 고밀도 흉부 X선에서 누락 데이터를 보정하기 위해 변분 인코더를 보강한 U-넷 스타일의 폐 분할 모델을 제안하고, 정상 CXR에서만 학습되며, 특수 데이터 증강을 통해 불투명화를 시뮬레이션하여 분할 성능을 향상시키는 것을 보인다. 최적의 결과는 블록 마스킹과 확산 노이즈 증강을 변분 데이터 보정과 결합했을 때 나타난다.

ABSTRACT

Pulmonary opacification is the inflammation in the lungs caused by many respiratory ailments, including the novel corona virus disease 2019 (COVID-19). Chest X-rays (CXRs) with such opacifications render regions of lungs imperceptible, making it difficult to perform automated image analysis on them. In this work, we focus on segmenting lungs from such abnormal CXRs as part of a pipeline aimed at automated risk scoring of COVID-19 from CXRs. We treat the high opacity regions as missing data and present a modified CNN-based image segmentation network that utilizes a deep generative model for data imputation. We train this model on normal CXRs with extensive data augmentation and demonstrate the usefulness of this model to extend to cases with extreme abnormalities.

연구 동기 및 목표

• 극단적 불투명화가 있는 CXR에서 수동 분할이 어려운 경우에도 견고한 폐 분할을 동기화한다.
• 정상 CXR에서 학습된 분할 모델이 누락 데이터를 보정하여 비정상적이고 매우 불투명한 CXR에 일반화되도록 한다.
• U-넷 분할 네트워크를 보강하기 위해 변분 인코더를 활용하여 어려운 CXR에서의 성능을 향상시킨다.
• 데이터 누락 영역과 불투명도 증가를 시뮬레이션하는 데이터 증강 전략을 탐구한다.

제안 방법

• 누출 변분 인코더를 추가한 U-넷 형태의 폐 마스크 분할 네트워크를 사용한다.
• 잠재 변수 z를 q_phi(z|x)에서 샘플링하고 이를 디코딩 전에 U-넷 인코더 출력과 결합한다.
• segmentation 손실과 q_phi(z|x)와 p(z) 간의 KL 발산으로 학습한다.
• VAE 디코더를 분할 디코더와 공유하여 분할 예측과 데이터 보정을 공동으로 수행한다.
• 데이터 증강(표준, 블록 마스킹, 확산 노이즈)을 통해 누락된 데이터와 불투명화를 시뮬레이션한다.
• 정상 학습 세트로부터 유도된 모델에서 평가하고 고밀도 CXR에서 전문가가 제공한 마스크로 테스트한다.

실험 결과

연구 질문

• RQ1 정상 CXR에서 학습된 변분 데이터 보정 모듈이 라벨이 없는 고밀도 CXR의 분할을 개선할 수 있는가?
• RQ2 가려진 영역과 증가된 불투명도를 시뮬레이션하는 고급 데이터 증강이 심한 불투명도 하에서 폐 분할 모델의 성능을 높이나?
• RQ3 VAE 보정과 분할 네트워크 간의 디코더 공유가 기본 U-넷보다 더 나은 폐 마스크를 만들어내는가?
• RQ4 블록 마스킹과 확산 노이즈 증강을 결합하는 것이 Dice 및 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 정상에서 매우 비정상적인 CXR로 COVID-19 관련 분석을 얼마나 잘 일반화하는가?

주요 결과

모델	증강	Dice 중복도	정확도
Baseline	Standard	0.7335\u00b1 0.17	0.8449\u00b1 0.09
Proposed	Standard	0.7204\u00b1 0.18	0.8392\u00b1 0.10
Baseline	Block	0.7563\u00b1 0.15	0.8522\u00b1 0.09
Proposed	Block	0.7688\u00b1 0.17	0.8552\u00b1 0.10
Baseline	Diffuse	0.7757\u00b1 0.15	0.8654\u00b1 0.10
Proposed	Diffuse	0.7965\u00b1 0.11	0.8652\u00b1 0.11
Baseline	Block+Diffuse	0.8173\u00b1 0.12	0.8654\u00b1 0.11
Proposed	Block+Diffuse	0.8503\u00b1 0.07	0.8815\u00b1 0.11

• 제안된 변분 데이터 보정과 블록 마스킹 및 확산 노이즈 결합 모델이 최고 Dice 0.8503 (±0.07)와 Accuracy 0.8815 (±0.11)를 달성한다.
• 표준 증강을 사용하는 베이스라인은 Dice 0.7335 (±0.17)와 Accuracy 0.8449 (±0.09)를 보인다.
• 블록 증강을 사용하는 베이스라인은 Dice 0.7563 (±0.15)와 Accuracy 0.8522 (±0.09)를 보인다.
• 확산 증강을 사용하는 베이스라인은 Dice 0.7757 (±0.15)와 Accuracy 0.8654 (±0.10)를 보인다.
• 표준 증강을 사용하는 제안은 Dice 0.7204 (±0.18)와 Accuracy 0.8392 (±0.10)를 보인다.
• 블록 증강을 사용하는 제안은 Dice 0.7688 (±0.17)와 Accuracy 0.8552 (±0.10)를 보인다.