[论文解读] Towards Robust Lung Segmentation in Chest Radiographs with Deep Learning

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|Nov 30, 2018

COVID-19 diagnosis using AI参考文献 9被引用 20

一句话总结

本文提出一种基于U-Net的深度学习模型，用于在胸部X光片中实现鲁棒的肺部分割，通过数据增强和跳跃连接提升特征保留能力。该方法在公开数据集上实现了98.6%的DICE分数，优于先前的最先进方法。

ABSTRACT

Automated segmentation of Lungs plays a crucial role in the computer-aided diagnosis of chest X-Ray (CXR) images. Developing an efficient Lung segmentation model is challenging because of difficulties such as the presence of several edges at the rib cage and clavicle, inconsistent lung shape among different individuals, and the appearance of the lung apex. In this paper, we propose a robust model for Lung segmentation in Chest Radiographs. Our model learns to ignore the irrelevant regions in an input Chest Radiograph while highlighting regions useful for lung segmentation. The proposed model is evaluated on two public chest X-Ray datasets (Montgomery County, MD, USA, and Shenzhen No. 3 People's Hospital in China). The experimental result with a DICE score of 98.6% demonstrates the robustness of our proposed lung segmentation approach.

研究动机与目标

• 开发一种鲁棒的深度学习模型，即使在解剖变异和成像伪影存在的情况下，也能实现胸部X光片中肺部的精确分割。
• 通过端到端学习解决肋骨边缘、肺部形状不一致以及肺尖表现等挑战。
• 通过有效的数据增强和优化的网络架构提升分割性能。
• 在包括Montgomery和Shenzhen在内的多样化公开数据集上评估模型，以确保其泛化能力。

提出的方法

• 所提出的模型基于U-Net架构，结合编码器路径和解码器路径，并通过跳跃连接保留空间细节。
• 输入图像被缩放为512×512，并通过缩放、裁剪、水平翻转和位移增强等方法进行数据增强，以增加训练数据的多样性。
• 网络使用Adam优化器进行训练，基础初始学习率为0.0005，批量大小为4，训练周期为200轮。
• 真实标签掩码由左右肺的标注合并而成，并通过形态学膨胀处理以改善分割边界。
• 模型采用二元交叉熵损失函数以优化分割性能。
• 架构在编码器和解码器层之间引入跳跃连接，以保留高分辨率特征，实现精确的定位。

实验结果

研究问题

• RQ1 基于U-Net的深度学习模型是否能在具有不同病理特征的多样化胸部X光片数据集中实现鲁棒的肺部分割？
• RQ2 在低资源医学影像场景下，数据增强如何影响肺部分割模型的泛化能力和性能？
• RQ3 与标准CNN相比，跳跃连接及架构设计选择在多大程度上提升了分割精度？
• RQ4 所提出的模型是否在正常和异常X光片中均保持高性能，涵盖多种解剖和病理变异？

主要发现

• 所提出的模型实现了98.6%的DICE分数，显著优于先前的最先进方法，如ED-CNN（97.4%）和FCN（97.7%）。
• 数据增强使DICE分数提升了2.2%，表明其在提升模型鲁棒性方面具有关键作用。
• 在多次运行中，模型保持了稳定的分割性能，定性结果表明预测掩码与人工标注结果高度一致。
• 基于残差块的跳跃连接未提升性能，因此未被纳入最终架构。
• 模型在来自不同地理和临床来源的数据集（包括Montgomery县和深圳医院）上表现出良好的泛化能力。
• 分割结果与人工标注高度重叠，尤其在肺尖和锁骨下方等困难区域表现优异。