[论文解读] PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images

Haozhe Jia, Haoteng Tang+5 more|arXiv (Cornell University)|Aug 9, 2021

COVID-19 diagnosis using AI参考文献 43被引用 4

一句话总结

该论文提出 PSGR，一种基于像素的稀疏图推理模块，通过构建特征图的稀疏连接图并执行长距离依赖推理，提升深度学习模型在CT扫描中对COVID-19肺炎的精确分割性能。PSGR在COVID19-CT-100数据集上实现了84.83%的DSC（Dice相似系数）。

ABSTRACT

Automated and accurate segmentation of the infected regions in computed tomography (CT) images is critical for the prediction of the pathological stage and treatment response of COVID-19. Several deep convolutional neural networks (DCNNs) have been designed for this task, whose performance, however, tends to be suppressed by their limited local receptive fields and insufficient global reasoning ability. In this paper, we propose a pixel-wise sparse graph reasoning (PSGR) module and insert it into a segmentation network to enhance the modeling of long-range dependencies for COVID-19 infected region segmentation in CT images. In the PSGR module, a graph is first constructed by projecting each pixel on a node based on the features produced by the segmentation backbone, and then converted into a sparsely-connected graph by keeping only K strongest connections to each uncertain pixel. The long-range information reasoning is performed on the sparsely-connected graph to generate enhanced features. The advantages of this module are two-fold: (1) the pixel-wise mapping strategy not only avoids imprecise pixel-to-node projections but also preserves the inherent information of each pixel for global reasoning; and (2) the sparsely-connected graph construction results in effective information retrieval and reduction of the noise propagation. The proposed solution has been evaluated against four widely-used segmentation models on three public datasets. The results show that the segmentation model equipped with our PSGR module can effectively segment COVID-19 infected regions in CT images, outperforming all other competing models.

研究动机与目标

• 解决现有深度学习模型在局部感受野有限且全局推理能力弱的情况下，难以分割CT图像中不规则、分散且微小的COVID-19感染区域的问题。
• 克服自注意力机制与非局部模块的局限性，这些方法虽引入冗余相关性与噪声，却未能充分挖掘全局上下文信息。
• 开发一种基于图的推理模块，保留像素级信息，实现有效的长距离特征传播，从而提升分割性能。
• 在多种具有不同病理模式与成像协议的公开数据集上，验证所提方法的有效性。

提出的方法

• 将特征图中的每个像素直接映射为图中的一个节点，通过像素级映射保持空间与语义完整性。
• 计算所有像素特征之间的成对相似度得分，基于分割主干网络提取的特征嵌入构建初始图边。
• 对每个不确定像素应用K近邻策略，仅保留K个最强连接，从而构建稀疏连接图，降低噪声与计算负载。
• 利用图神经网络在稀疏图上执行消息传递与特征聚合，以融合长距离上下文信息来优化特征。
• 将PSGR模块作为即插即用组件集成到现有的U-Net与U²-Net架构中，增强其全局推理能力，而无需对网络结构进行大规模修改。
• 采用可学习的不确定度阈值机制，识别并优先处理不确定像素进行图推理，提升对微小或模糊病灶的敏感性。

实验结果

研究问题

• RQ1 与基于聚类或区域的节点映射相比，基于像素的图构建策略是否能提升医学图像分割中全局上下文建模的保真度？
• RQ2 通过K个最强连接对图节点进行稀疏连接，是否能减少噪声传播，同时保持有效的长距离依赖学习能力？
• RQ3 PSGR模块在CT扫描中对微小、分散且形状不规则的COVID-19肺炎区域的分割性能提升程度如何？
• RQ4 不确定像素的选择比例如何影响图推理过程的鲁棒性与性能表现？
• RQ5 PSGR模块能否有效集成到多种分割主干网络中，并在不同公共数据集中实现良好泛化能力？

主要发现

• U-2-Net+PSGR模型在COVID19-CT-100数据集上取得了最高的Dice相似系数（DSC）84.83%，优于所有基线模型。
• U-2-Net+PSGR的HD（Hausdorff距离）为42.85 mm，表明其边界对齐能力更优，尤其在微小或碎片化病灶上表现突出。
• 消融实验表明，最优的不确定像素选择比例 $ R_u = 0.005 $ 能最大化分割性能，更高比例因噪声累积导致性能下降。
• 邻接矩阵可视化结果证实，PSGR成功捕捉了长距离依赖关系，即使在极小或孤立区域中也能连接远距离但相关的感染像素。
• PSGR模块在全部三个公开数据集中均一致提升了分割精度，展现出对不同成像协议与疾病表现形式的强鲁棒性与泛化能力。
• 与使用大规模外部数据进行预训练的Inf-Net相比，U-2-Net+PSGR在无需额外数据的情况下实现了相当的性能，凸显了所提模块的高效性与有效性。