[论文解读] Lung Segmentation from Chest X-rays using Variational Data Imputation

Raghavendra Selvan, Erik B. Dam+5 more|arXiv (Cornell University)|May 20, 2020

COVID-19 diagnosis using AI参考文献 32被引用 46

一句话总结

该论文提出一种类似U-net的肺部分割模型，增加了变分编码器以在高密度胸部X线片中填补缺失数据，训练仅使用正常的CXRs，并通过能模拟混浊的专用数据增强提升分割效果。最佳结果将区块屏蔽和扩散噪声增强与变分数据填补结合起来。

ABSTRACT

Pulmonary opacification is the inflammation in the lungs caused by many respiratory ailments, including the novel corona virus disease 2019 (COVID-19). Chest X-rays (CXRs) with such opacifications render regions of lungs imperceptible, making it difficult to perform automated image analysis on them. In this work, we focus on segmenting lungs from such abnormal CXRs as part of a pipeline aimed at automated risk scoring of COVID-19 from CXRs. We treat the high opacity regions as missing data and present a modified CNN-based image segmentation network that utilizes a deep generative model for data imputation. We train this model on normal CXRs with extensive data augmentation and demonstrate the usefulness of this model to extend to cases with extreme abnormalities.

研究动机与目标

• 在CXRs中实现极端混浊时的鲁棒肺部分割的动机与目标。
• 开发一个分割模型，使其能够从正常CXRs推广到异常、高度混浊的CXRs，通过填补缺失数据。
• 利用变分编码器增强U-net分割网络，在具有挑战性的CXRs上提高性能。
• 探索模拟缺失区域和增加不透明度的数据增强策略，以训练填充模型。

提出的方法

• 使用类似U-net的分割网络来获得肺部掩模，并添加变分编码器以执行数据填充。
• 引入一个从 q_phi(z|x) 采样的潜在变量 z，并在解码前将 z 与 U-net 编码器输出拼接。
• 利用分割损失加上 q_phi(z|x) 与 p(z) 之间的 KL 散度进行训练。
• 与分割解码器共享 VAE 的解码器，以联合预测分割和填充数据。
• 尝试数据增强（标准、区块屏蔽、扩散噪声）以模拟缺失数据和混浊。
• 在只用正常训练集推导的模型上评估，并在高密度CXRs上使用专家提供的掩模进行测试。

实验结果

研究问题

• RQ1 在仅用正常 CXRs 训练的变分数据填充模块是否能改善对缺乏标注异常样本的高密度 CXRs 的分割？
• RQ2 模拟遮挡区域和增加不透明度的高级数据增强是否提高在严重混浊下肺部分割模型的性能？
• RQ3 在 VAE 填充与分割网络之间共享解码器是否比基线 U-net 提供更好的肺部掩模？
• RQ4 将区块屏蔽与扩散噪声增强相结合对肺部分割的 Dice 和准确率有何影响？
• RQ5 所提出的方法从正常 CXRs 到高度异常 CXRs 的一般化能力在 COVID-19 相关分析中表现如何？

主要发现

模型	增强	Dice Overlap	Accuracy
Baseline	Standard	0.7335\u00b1 0.17	0.8449\u00b1 0.09
Proposed	Standard	0.7204\u00b1 0.18	0.8392\u00b1 0.10
Baseline	Block	0.7563\u00b1 0.15	0.8522\u00b1 0.09
Proposed	Block	0.7688\u00b1 0.17	0.8552\u00b1 0.10
Baseline	Diffuse	0.7757\u00b1 0.15	0.8654\u00b1 0.10
Proposed	Diffuse	0.7965\u00b1 0.11	0.8652\u00b1 0.11
Baseline	Block+Diffuse	0.8173\u00b1 0.12	0.8654\u00b1 0.11
Proposed	Block+Diffuse	0.8503\u00b1 0.07	0.8815\u00b1 0.11

• 所提出的模型配合变分数据填充与区块屏蔽及扩散噪声在 Dice 0.8503 (±0.07) 与 Accuracy 0.8815 (±0.11) 上达到最佳。
• 基线的标准增强得到 Dice 0.7335 (±0.17) 与 Accuracy 0.8449 (±0.09)。
• 基线的区块增强得到 Dice 0.7563 (±0.15) 与 Accuracy 0.8522 (±0.09)。
• 基线的扩散增强得到 Dice 0.7757 (±0.15) 与 Accuracy 0.8654 (±0.10)。
• 在标准增强下提出的方法得到 Dice 0.7204 (±0.18) 与 Accuracy 0.8392 (±0.10)。
• 在区块增强下提出的方法得到 Dice 0.7688 (±0.17) 与 Accuracy 0.8552 (±0.10)。