[论文解读] Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Scans

Deng-Ping Fan, Tao Zhou+6 more|arXiv (Cornell University)|Apr 22, 2020

COVID-19 diagnosis using AI被引用 39

一句话总结

本文提出 Inf-Net，一种用于 COVID-19 CT 扫描中自动肺部感染分割的深度学习框架，结合并行部分解码器、隐式反向注意力和显式边缘注意力，以提升边界检测与表征学习能力。该方法采用半监督策略，利用有限的标注数据和丰富的未标注数据，显著增强了模型的泛化能力与分割精度，达到当前最先进性能。

ABSTRACT

Abstract Coronavirus Disease 2019 (COVID-19) spread globally in early 2020, causing the world to face an existential health crisis. Automated detection of lung infections from computed tomography (CT) images offers a great potential to augment the traditional healthcare strategy for tackling COVID-19. However, segmenting infected regions from CT slices faces several challenges, including high variation in infection characteristics, and low intensity contrast between infections and normal tissues. Further, collecting a large amount of data is impractical within a short time period, inhibiting the training of a deep model. To address these challenges, a novel COVID-19 Lung Infection Segmentation Deep Network (Inf-Net) is proposed to automatically identify infected regions from chest CT slices. In our Inf-Net, a parallel partial decoder is used to aggregate the high-level features and generate a global map. Then, the implicit reverse attention and explicit edge-attention are utilized to model the boundaries and enhance the representations. Moreover, to alleviate the shortage of labeled data, we present a semi-supervised segmentation framework based on a randomly selected propagation strategy, which only requires a few labeled images and leverages primarily unlabeled data. Our semi-supervised framework can improve the learning ability and achieve a higher performance. Extensive experiments on our COVID-SemiSeg and real CT volumes demonstrate that the proposed Inf-Net outperforms most cutting-edge segmentation models and advances the state-of-the-art performance.

研究动机与目标

• 为应对因感染模式高度可变及组织对比度低而导致的 COVID-19 CT 扫描中肺部感染分割困难问题。
• 通过开发一种半监督学习框架，有效利用未标注数据，克服小规模标注数据集的限制。
• 通过注意力机制增强特征表征与边界定位，从而提升分割性能。
• 利用深度学习推动传染病性肺部疾病医学图像分割的最先进水平。

提出的方法

• 采用并行部分解码器聚合高层特征，并生成全局上下文图，以增强分割的上下文理解。
• 引入隐式反向注意力，通过聚焦高不确定性区域来优化特征图，提升特征判别能力。
• 应用显式边缘注意力，突出边界区域，提高感染肺部区域的定位精度。
• 提出一种半监督学习框架，采用随机选择的传播策略，有效利用未标注数据，同时减少对标注样本的依赖。
• 在有限标注数据与大量未标注 CT 体积数据的组合上端到端训练模型，以增强泛化能力。
• 在所提出的 COVID-SemiSeg 数据集与真实临床 CT 扫描上对框架进行评估，以验证其鲁棒性与性能表现。

实验结果

研究问题

• RQ1 在感染模式高度可变且对比度低的情况下，深度学习模型能否在 COVID-19 CT 扫描中实现更优的肺部感染分割？
• RQ2 当仅有少量标注 CT 扫描可用时，半监督学习策略在提升分割性能方面的有效性如何？
• RQ3 注意力机制（包括隐式反向注意力与显式边缘注意力）在多大程度上提升了边界检测与特征表征能力？
• RQ4 所提出的 Inf-Net 框架是否在真实世界与基准 CT 数据集上优于现有最先进分割模型？

主要发现

• Inf-Net 在 COVID-SemiSeg 数据集与真实临床 CT 扫描上均达到最先进性能，超越现有分割模型。
• 半监督框架通过有效利用大量未标注数据，仅依赖极少标注数据，显著提升了模型性能。
• 隐式反向注意力与显式边缘注意力的融合显著提升了边界定位精度与特征表征能力。
• 并行部分解码器有效捕捉全局上下文信息，有助于提升分割的一致性与鲁棒性。
• 该模型在多样化 CT 扫描上表现出强大的泛化能力，表明其在数据稀缺条件下具备临床应用潜力。
• 所提方法显著降低了对大规模标注数据集的依赖，使其适用于新兴传染病暴发场景下的快速部署。