Dual Windows Are Significant: Learning from Mediastinal Window and Focusing on Lung Window

要約

COVID-19の大流行以降、胸部CT（Computed Tomography）を解析して診断するための深層学習手法がいくつか提案された。現状では、医療従事者が治療法を決定するために、病態の分類が重要である。これまでのディープラーニングを用いた手法の多くは、肺の窓から観測された特徴を抽出しています。しかし，肺の窓よりも縦隔の窓から観察した方が，診断に関連する外観をよりよく観察できることが証明されている（例えば，肺の圧密は症状が重いほどよく起こる）．本論文では、主に縦隔窓から特徴量を学習するDual Window RCNN Network (DWRNet)を提案する。肺野窓から抽出された特徴量については、肺野窓注意ブロック(LWA Block)を導入し、縦隔窓の特徴量を増強するために、肺野窓にさらに注意を払うようにする。さらに、CTスライス全体から特定のスライスをピックアップするのではなく、リカレントCNNを用い、連続したスライスを動画として解析する。実験の結果、融合された代表的な特徴は、ベースラインの84.86%の精度に対して、90.57%の精度を達成し、疾患経過の予測を改善することが示された。アブレーションの研究では、融合した二重窓特徴が肺窓特徴のみよりも効率的であること、また肺窓特徴に注意を払うことでモデルの安定性を向上させることができることが示された。

要約(オリジナル)

Since the pandemic of COVID-19, several deep learning methods were proposed to analyze the chest Computed Tomography (CT) for diagnosis. In the current situation, the disease course classification is significant for medical personnel to decide the treatment. Most previous deep-learning-based methods extract features observed from the lung window. However, it has been proved that some appearances related to diagnosis can be observed better from the mediastinal window rather than the lung window, e.g., the pulmonary consolidation happens more in severe symptoms. In this paper, we propose a novel Dual Window RCNN Network (DWRNet), which mainly learns the distinctive features from the successive mediastinal window. Regarding the features extracted from the lung window, we introduce the Lung Window Attention Block (LWA Block) to pay additional attention to them for enhancing the mediastinal-window features. Moreover, instead of picking up specific slices from the whole CT slices, we use a Recurrent CNN and analyze successive slices as videos. Experimental results show that the fused and representative features improve the predictions of disease course by reaching the accuracy of 90.57%, against the baseline with an accuracy of 84.86%. Ablation studies demonstrate that combined dual window features are more efficient than lung-window features alone, while paying attention to lung-window features can improve the model’s stability.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL