[论文解读] CHS-Net: A Deep learning approach for hierarchical segmentation of COVID-19 infected CT images

Narinder Singh Punn, Sonali Agarwal|arXiv (Cornell University)|Dec 13, 2020

COVID-19 diagnosis using AI参考文献 44被引用 8

一句话总结

CHS-Net 是一种深度学习框架，采用级联残差注意力Inception U-Net（RAIU-Net）模型，对肺部CT扫描中的COVID-19感染区域进行分层分割。该方法通过注意力机制和混合池化技术，实现了更优的特征编码与解码，取得了当前最优的性能表现，Dice系数达81.6%，Jaccard指数达79.1%。

ABSTRACT

The pandemic of novel SARS-CoV-2 also known as COVID-19 has been spreading worldwide, causing rampant loss of lives. Medical imaging such as CT, X-ray, etc., plays a significant role in diagnosing the patients by presenting the visual representation of the functioning of the organs. However, for any radiologist analyzing such scans is a tedious and time-consuming task. The emerging deep learning technologies have displayed its strength in analyzing such scans to aid in the faster diagnosis of the diseases and viruses such as COVID-19. In the present article, an automated deep learning based model, COVID-19 hierarchical segmentation network (CHS-Net) is proposed that functions as a semantic hierarchical segmenter to identify the COVID-19 infected regions from lungs contour via CT medical imaging using two cascaded residual attention inception U-Net (RAIU-Net) models. RAIU-Net comprises of a residual inception U-Net model with spectral spatial and depth attention network (SSD) that is developed with the contraction and expansion phases of depthwise separable convolutions and hybrid pooling (max and spectral pooling) to efficiently encode and decode the semantic and varying resolution information. The CHS-Net is trained with the segmentation loss function that is the defined as the average of binary cross entropy loss and dice loss to penalize false negative and false positive predictions. The approach is compared with the recently proposed approaches and evaluated using the standard metrics like accuracy, precision, specificity, recall, dice coefficient and Jaccard similarity along with the visualized interpretation of the model prediction with GradCam++ and uncertainty maps. With extensive trials, it is observed that the proposed approach outperformed the recently proposed approaches and effectively segments the COVID-19 infected regions in the lungs.

研究动机与目标

• 为解决放射科医生在肺部CT扫描中手动分割COVID-19感染区域耗时且易出错的挑战。
• 提升对早期COVID-19特征性细微多灶性磨玻璃样变（GGO）识别的准确性和鲁棒性。
• 开发一种分层分割流程，先分割肺部，再在其中检测感染区域，以提高定位精度。
• 将先进的深度学习组件——残差Inception模块和谱-空间-深度注意力——整合到U-Net架构中，以实现更优的特征表示。
• 通过标准指标和可解释性工具（如GradCam++和不确定性图）验证模型的临床可信度。

提出的方法

• 该模型采用级联的两阶段架构：首先，基于U-Net的RAIU-Net从CT扫描中分割肺部；随后，第二个RAIU-Net在已分割的肺部区域内检测感染区域。
• RAIU-Net集成了残差Inception模块（RIB），通过结合残差连接与空洞卷积，捕捉多尺度特征并缓解梯度消失问题。
• 在U-Net中嵌入谱-空间-深度注意力（SSD）网络，动态增强空间与谱维上的显著特征，提升不同分辨率下的特征表示能力。
• 在网络的编码器和解码器路径中均使用深度可分离卷积，以减少参数量和计算成本，同时保留语义信息。
• 在编码器中采用混合池化（最大池化与谱池化）以增强特征抽象能力，并在下采样过程中保留空间细节。
• 损失函数结合二元交叉熵与Dice损失，以惩罚假阴性和假阳性样本，提升分割的鲁棒性。

实验结果

研究问题

• RQ1 与端到端分割相比，分层深度学习方法是否能提升对COVID-19肺部CT扫描中细微多灶性磨玻璃样变的分割精度？
• RQ2 残差Inception模块与谱-空间-深度注意力机制在低分辨率、噪声较大的医学图像中，对特征学习的增强程度如何？
• RQ3 在编码与解码过程中，混合池化（最大池化与谱池化）的集成对细粒度解剖结构细节的保留有何影响？
• RQ4 将两个RAIU-Net模型级联使用——首先进行肺部分割，再进行感染检测——是否比直接进行感染分割表现更优？
• RQ5 GradCam++与不确定性图等可解释性工具如何验证模型预测的可靠性和临床相关性？

主要发现

• CHS-Net在感染区域分割中实现了81.6%的Dice系数与79.1%的Jaccard指数，优于近期的最先进方法。
• 消融实验表明，仅添加残差Inception模块（RIB）即可使感染区域Dice系数相比基线U-Net提升57%。
• 分层方法（CHS-Net）相比使用相同主干网络的直接分割，使感染区域Dice系数提升了13%。
• 模型达到96.5%的准确率、75.6%的精确率、88.5%的召回率和96.9%的特异性，表明其具有强大的泛化能力与较低的假阳性率。
• GradCam++与不确定性图证实，模型聚焦于肺部中具有临床意义的区域，如GGO模式，显著增强了可解释性。
• 谱-空间-深度注意力（SSD）的集成显著提升了特征表示能力，尤其在检测小而不规则的感染区域方面表现突出。