[论文解读] An automatic COVID-19 CT segmentation based on U-Net with attention mechanism

Tongxue Zhou, Stéphane Canu+1 more|arXiv (Cornell University)|Apr 14, 2020

COVID-19 diagnosis using AI被引用 54

一句话总结

本文提出一种结合注意力机制与焦点Tversky损失的U-Net模型，用于CT扫描中自动分割COVID-19肺部病灶。通过整合空间与通道注意力机制以优化特征表示，并采用针对小病灶定制的损失函数，该方法在473张切片的数据集上实现了高精度（Dice：83.1%）与高速度（每切片0.29秒），表现出色的性能。

ABSTRACT

The coronavirus disease (COVID-19) pandemic has led to a devastating effect on the global public health. Computed Tomography (CT) is an effective tool in the screening of COVID-19. It is of great importance to rapidly and accurately segment COVID-19 from CT to help diagnostic and patient monitoring. In this paper, we propose a U-Net based segmentation network using attention mechanism. As not all the features extracted from the encoders are useful for segmentation, we propose to incorporate an attention mechanism including a spatial and a channel attention, to a U-Net architecture to re-weight the feature representation spatially and channel-wise to capture rich contextual relationships for better feature representation. In addition, the focal tversky loss is introduced to deal with small lesion segmentation. The experiment results, evaluated on a COVID-19 CT segmentation dataset where 473 CT slices are available, demonstrate the proposed method can achieve an accurate and rapid segmentation on COVID-19 segmentation. The method takes only 0.29 second to segment a single CT slice. The obtained Dice Score, Sensitivity and Specificity are 83.1%, 86.7% and 99.3%, respectively.

研究动机与目标

• 解决在CT扫描中对COVID-19肺部病灶进行精确且快速分割的挑战，以支持诊断与患者监测。
• 通过注意力机制选择性地强调空间与通道维度上的相关特征，改进U-Net中的特征表示。
• 通过采用焦点Tversky损失函数，克服小病灶分割中的类别不平衡问题。
• 在保证极低推理时间的前提下实现高分割性能，适用于临床部署。

提出的方法

• 在U-Net的编码器-解码器架构中集成双注意力机制——空间注意力与通道注意力，根据上下文重要性重新加权特征图。
• 应用空间注意力以突出信息丰富的空间区域，应用通道注意力以强调具有区分性的特征通道。
• 使用焦点Tversky损失，通过降低易分样本的权重，使训练更聚焦于难以分割的区域，尤其是小病灶。
• 在包含473张CT切片及肺部病灶真实标注的数据集上端到端训练网络。
• 利用编码器到解码器的跳跃连接，以在上采样过程中保留空间细节。
• 采用随机梯度下降优化模型，并使用学习率调度策略以提升收敛性能。

实验结果

研究问题

• RQ1 注意力机制是否能提升U-Net在CT扫描中对COVID-19病灶分割的特征表示能力？
• RQ2 与标准损失函数相比，焦点Tversky损失是否能显著提升对小而稀疏肺部病灶的分割性能？
• RQ3 所提出的方法能否在保证高精度的同时实现极低的推理时间，适用于实时临床应用？
• RQ4 与标准U-Net相比，注意力机制与焦点Tversky损失的组合在Dice分数、敏感性和特异性方面表现如何？

主要发现

• 所提方法在测试集上达到83.1%的Dice分数，表明预测结果与真实病灶重叠度高。
• 敏感性达到86.7%，表明尽管病灶较小，模型仍能有效检测出大多数实际存在的病灶。
• 特异性为99.3%，表明假阳性极少，这对临床可靠性至关重要。
• 模型每张CT切片仅需0.29秒即可完成分割，展现出极高的推理速度，适合临床部署。
• 空间与通道注意力的整合通过聚焦于相关区域与通道，显著改善了特征表示。
• 焦点Tversky损失通过降低训练过程中易分负样本的影响，显著提升了小病灶的分割性能。