[论文解读] An encoder-decoder-based method for COVID-19 lung infection segmentation

Omar Elharrouss, Nandhini Subramanian+1 more|arXiv (Cornell University)|Jul 2, 2020

COVID-19 diagnosis using AI参考文献 33被引用 10

一句话总结

本文提出了一种两阶段、多任务编码器-解码器深度学习方法，用于在双流输入（原始图像和分解的结构/纹理特征）下对COVID-19 CT扫描中的肺部感染进行分割。该方法通过利用多任务学习和感兴趣区域（ROI）精炼，在数据稀缺条件下提升了分割精度，在COVID-SemiSeg数据集上实现了0.640的Dice分数和0.640的F-measure，优于现有最先进方法。

ABSTRACT

The novelty of the COVID-19 disease and the speed of spread has created a colossal chaos, impulse among researchers worldwide to exploit all the resources and capabilities to understand and analyze characteristics of the coronavirus in term of the ways it spreads and virus incubation time. For that, the existing medical features like CT and X-ray images are used. For example, CT-scan images can be used for the detection of lung infection. But the challenges of these features such as the quality of the image and infection characteristics limitate the effectiveness of these features. Using artificial intelligence (AI) tools and computer vision algorithms, the accuracy of detection can be more accurate and can help to overcome these issues. This paper proposes a multi-task deep-learning-based method for lung infection segmentation using CT-scan images. Our proposed method starts by segmenting the lung regions that can be infected. Then, segmenting the infections in these regions. Also, to perform a multi-class segmentation the proposed model is trained using the two-stream inputs. The multi-task learning used in this paper allows us to overcome shortage of labeled data. Also, the multi-input stream allows the model to do the learning on many features that can improve the results. To evaluate the proposed method, many features have been used. Also, from the experiments, the proposed method can segment lung infections with a high degree performance even with shortage of data and labeled images. In addition, comparing with the state-of-the-art method our method achieves good performance results.

研究动机与目标

• 解决COVID-19肺部感染分割任务中CT扫描标注数据有限的挑战。
• 通过利用结构和纹理图像分量作为双流输入，提升分割精度。
• 开发两阶段分割流程：首先识别高风险肺部区域，然后精确检测感染区域。
• 通过多任务学习实现在二分类和多分类感染分割中的鲁棒性能。
• 在数据稀缺条件下超越现有最先进方法。

提出的方法

• 采用编码器-解码器架构，包含两条并行输入流：原始CT图像和分解后的结构-纹理分量。
• 应用图像分解技术，提取结构（均匀）和纹理（图案化）特征，以增强特征学习。
• 采用多任务学习，联合优化感兴趣区域检测和感染分割，提升在数据稀缺条件下的泛化能力。
• 执行两阶段分割：首先分割潜在感染的肺部区域，然后在这些区域内精炼感染边界。
• 使用Dice、F-measure、敏感性、特异性及MAE等指标评估并指导训练过程。
• 应用形态学操作等后处理方法，以改善二值分割结果。

实验结果

研究问题

• RQ1 在COVID-19 CT扫描的低数据环境下，双流编码器-解码器模型是否能提升肺部感染分割性能？
• RQ2 在标注数据有限的情况下，多任务学习在提升分割性能方面的有效性如何？
• RQ3 引入结构与纹理分解是否能提高感染区域检测的准确性？
• RQ4 所提方法在二分类和多分类分割任务中与最先进模型相比表现如何？
• RQ5 两阶段分割流程（先检测ROI，再进行感染分割）是否优于端到端方法？

主要发现

• 所提方法在COVID-SemiSeg数据集上实现了0.640的Dice分数和0.640的F-measure，优于现有方法。
• 模型实现了0.561的精确率和0.953的特异性，表明检测性能与误报控制之间具有良好的平衡。
• 该方法在二分类和多分类分割中均表现出鲁棒性，可视化结果与真实标注高度一致。
• 双流输入与多任务学习的结合显著提升了性能，尤其在数据稀缺条件下。
• 半inf-Net基线模型的Dice分数为0.541，而所提方法将其提升至0.640，相对提升达18.3%。
• 结果表明，形态学后处理可进一步优化分割输出，提示仍有改进空间。