[论文解读] Label-Free Segmentation of COVID-19 Lesions in Lung CT

Qingsong Yao, Li Xiao+2 more|arXiv (Cornell University)|Sep 8, 2020

COVID-19 diagnosis using AI参考文献 54被引用 5

一句话总结

本文提出 NormNet，一种基于 3D U-Net 的无标签方法，通过将合成‘病灶’与正常 CT 影像区分的代理任务来建模正常组织模式，实现对 CT 扫描中 COVID-19 肺部病灶的分割。该方法在三个公开数据集上实现了无监督病灶分割的最先进性能，优于现有无监督异常检测方法，且无需任何标注病灶。

ABSTRACT

Scarcity of annotated images hampers the building of automated solution for reliable COVID-19 diagnosis and evaluation from CT. To alleviate the burden of data annotation, we herein present a label-free approach for segmenting COVID-19 lesions in CT via pixel-level anomaly modeling that mines out the relevant knowledge from normal CT lung scans. Our modeling is inspired by the observation that the parts of tracheae and vessels, which lay in the high-intensity range where lesions belong to, exhibit strong patterns. To facilitate the learning of such patterns at a pixel level, we synthesize `lesions' using a set of surprisingly simple operations and insert the synthesized `lesions' into normal CT lung scans to form training pairs, from which we learn a normalcy-converting network (NormNet) that turns an 'abnormal' image back to normal. Our experiments on three different datasets validate the effectiveness of NormNet, which conspicuously outperforms a variety of unsupervised anomaly detection (UAD) methods.

研究动机与目标

• 解决标注的 COVID-19 CT 数据集稀缺的问题，该问题阻碍了自动化诊断和病灶分割的可靠深度学习模型的发展。
• 克服 3D CT 影像专家标注的高成本和时间负担，尤其是考虑到 COVID-19 病灶复杂多变的外观特征。
• 开发一种无需任何病灶级别标注即可分割 COVID-19 病灶的方法，通过利用正常肺组织的规律性模式。
• 通过在正常 CT 扫描中插入合成病灶，建立代理训练任务，以学习一个识别正常性的网络（NormNet），实现在体素级别的异常检测。

提出的方法

• 使用随机形状生成、噪声注入和滤波等简单操作合成多样的‘病灶’，构建丰富的合成异常库。
• 将合成病灶插入真实正常 CT 扫描中，形成用于代理任务的正常与‘异常’图像配对训练数据。
• 训练基于 3D U-Net 的正常性识别网络（NormNet），以区分健康组织与合成病灶，学习体素级别的紧密决策边界。
• 将训练的真实标签定义为‘健康组织’（排除空气体素），以避免对低强度空气区域的过拟合，并提高对高密度正常组织的敏感性。
• 使用学习到的 NormNet 检测真实 COVID-19 CT 扫描中的异常，其中位于正常组织边界之外的体素被分类为潜在病灶。
• 对网络输出应用阈值策略以生成最终的病灶分割掩码，尽管未对真实 COVID-19 病灶进行直接监督，但决策边界仍能泛化至真实病灶。

实验结果

研究问题

• RQ1 深度学习模型能否通过建模正常组织模式，在无任何标注病灶数据的情况下检测肺部 CT 中的 COVID-19 病灶？
• RQ2 通过在正常 CT 扫描中插入合成病灶的代理任务，是否能有效实现真实 COVID-19 病灶的体素级异常检测？
• RQ3 所提出的无标签方法在公开的 COVID-19 CT 数据集上与现有无监督异常检测技术相比表现如何？
• RQ4 模型的主要失败模式是什么？数据集特定的差异以及低强度噪声如何影响分割的可靠性？

主要发现

• NormNet 在三个公开的 COVID-19 数据集上显著优于多种最先进无监督异常检测（UAD）方法，展现出无需任何病灶标注的优越泛化能力。
• 该模型在 SIRM-Seg 和 UESTC 数据集上取得了较高的 Dice 分数，Dice 系数分别为 0.72 和 0.68，表明其具有强大的病灶分割性能。
• 通过训练网络识别健康组织而非直接分割合成病灶，可获得更优性能，因为这能提高对高密度正常结构的敏感性并减少假阳性。
• 失败分析显示，模型常将非 COVID-19 病变（如肺纤维化）误分类为病灶，表明其对 COVID-19 模式的特异性有限。
• 在不同切片厚度或重建方法（如 Radiopedia）的数据集中，假阳性现象普遍，这是由于正常组织上下文的分布偏移所致。
• 强度值低于阈值 τ 的小病灶常被遗漏，凸显了检测低对比度或细微异常的持续挑战。