【covid-19】Inf-Net: Automatic COVID-19 Lung InfectionSegmentation from CT Images

声明

不定期更新自己精度论文，通俗易懂，初级小白也可以理解

涉及范围：深度学习方向，包括 CV、NLP、Data Fusion、Digital Twin

论文标题：Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images

论文链接：https://arxiv.org/abs/2004.14133

论文代码：https://github.com/DengPingFan/Inf-Net

发表时间：2020年5月

创新点

1、提出了一种新的 covid-19 肺部感染分割深度区域（Inf-Net）

2、提出了一种基于随机选择传播策略的半监督分割框架

Abstract

2019 年冠状病毒病 (COVID-19) 于 2020 年初在全球蔓延，导致世界面临生存健康危机。从计算机断层扫描 (CT) 图像中自动检测肺部感染为增强传统医疗保健策略以应对 COVID-19 提供了巨大的潜力。然而，从 CT 切片中分割感染区域面临着几个挑战，包括感染特征的高度变化，以及感染与正常组织之间的低强度对比。 此外，在短时间内收集大量数据是不切实际的，阻碍了深度模型的训练。 为了应对这些挑战，提出了一种新的 COVID-19 肺部感染分割深度网络 (Inf-Net) 来自动识别胸部 CT 切片中的感染区域。

在我们的 Inf-Net 中，并行部分解码器用于聚合高级特征并生成全局图。然后，利用隐式反向注意力和显式边缘注意力来建模边界并增强表示。此外，为了缓解标记数据的短缺，我们提出了一种基于随机选择传播策略的半监督分割框架，该框架只需要少量标记图像并主要利用未标记数据。

我们的半监督框架可以提高学习能力并获得更高的性能。 在我们的 COVID-SemiSeg 和真实 CT 卷上进行的大量实验表明，所提出的 Inf-Net 优于大多数尖端分割模型并提高了状态性能。

Method

Inf-Net 的架构如上图所示，可以观察到，CT 图像，

首先，被送到两个卷积层以提取高分辨率、语义较弱（即低级）的特征，在这里，作者添加了一个边缘注意模块（竖向的卷积层）来显式地改进目标区域边界的表示；

其次，将得到的低级特征 f2 送到三个卷积层，用于提取高级特征，

然后，作者利用并行部分解码器（PPD）来聚合后三个卷积层的特征，生成全局图 Sg，用于肺部感染区域的粗略特征；

最后，这些特征在 Sg 的指导下被送到多个反向注意模块（RA）中，最后一个 RA 的输出，即 S3，被送到 Sigmoid 激活函数中，用于最终预测肺部感染区域。

---------------------------------------------------------------------------------------------------------------------------------

Edge Attention Module（边缘注意力模块）

此模块主要工作是，提取到有用的边缘信息来约束指导进行分割

特征 f2 被送到一个带有滤波器的卷积层，生成边缘图 Se，然后与实际情况 GT，导出边缘图 Ge，其中随时用的是标准二元交叉熵损失函数

---------------------------------------------------------------------------------------------------------------------------------

Parallel Partial Decoder(并行部分解码器)

如上图所示，对于输入的 CT 图像 I ，

首先，提取使用 Res2Net 前五个卷积块，提取两组低级特征 f1、f2 和三组高级特征 f3、f4、f5；

然后，利用并行连接的结构，来聚合高级特征 f3、f4、f5，用作在 RA 模块中的全局指导。

其中，解码部分为 1*1 卷积 + BN 和 3*3 卷积 + BN

---------------------------------------------------------------------------------------------------------------------------------

Reverse Attention Module（反向注意模块）

在临床实践中，临床医生通常通过两步程序分割肺部感染区域，即粗略定位感染区域，然后通过检查局部组织结构准确标记这些区域。

受此过程的启发，作者使用两个不同的网络组件设计 Inf-Net，它们分别充当粗略定位器和精细标记器。

首先，PPD 充当粗略定位器并产生全局图 Sg，它提供了肺部感染区域的粗略位置；

其次，作者提出了一个渐进式框架，充当精细标记器，以擦除方式挖掘有区别的感染区域； 

具体来说，通过将高级特征 f3, f4, f5 和边缘注意特征 Eatt，进行 Concatenation（串联），再经过Conv Later 与 RA 权重 Ai 相乘（逐元素）来获得输出 RA 特征 Ri；

从而实现，由 RA 驱动的擦除策略最终将不精确和粗略的估计细化为准确和完整的预测图。

---------------------------------------------------------------------------------------------------------------------------------

Experiments

实验目标：在 COVID-SemiSeg 数据集上感染区域的定量结果

实验结果：Inf-Net 和 Semi-Inf-Net （基于 Inf-Net 的另一种架构）效果最优

实验目标：在 638 个切片（285 个未感染切片和 353 个感染切片）的 9 个真实 CT 卷上的性能

实验结果：Inf-Net 和 Semi-Inf-Net 具有较大的优势