Artificial Intelligence for chest imaging against COVID-19: an insight into image segmentation methods

The coronavirus disease 2019 (COVID-19), caused by the Severe Acute Respiratory Syndrome Coronavirus 2, emerged in late 2019 and soon developed as a pandemic leading to a world health crisis. Chest imaging examination plays a vital role in the clinical management and prognostic evaluation of COVID-19 since the imaging pathological findings reflect the inflammatory process of the lungs. Particularly, thanks to its highest sensitivity and resolution, Computer Tomography chest imaging serves well in the distinction of the different parenchymal patterns and manifestations of COVID-19. It is worth noting that detecting and quantifying such manifestations is a key step in evaluating disease impact and tracking its progression or regression over time. Nevertheless, the visual inspection or, even worse, the manual delimitation of such manifestations may be greatly time-consuming and overwhelming for radiologists, especially when pressed by the urgent needs of patient care. Image segmentation tools, powered by Artificial Intelligence, may sensibly reduce radiologists' workload as they may automate or, at least, facilitate the delineation of the pathological lesions and the other regions of interest for disease assessment. This delineation lays the basis for further diagnostic and prognostic analyses based on quantitative information extracted from the segmented lesions. This chapter overviews the Artificial Intelligence methods for the segmentation of chest Computed Tomography images. The focus is in particular on Deep Learning approaches, as these have lately become the mainstream approach to image segmentation. A novel method, leveraging attention-based learning, is presented and evaluated. Finally, a discussion of the potential, limitations, and still open challenges of the field concludes the chapter.

La malattia da coronavirus 2019 (COVID-19) è emersa alla fine del 2019 e si è presto sviluppata come una pandemia che ha portato a una crisi sanitaria mondiale. L'esame di imaging del torace svolge un ruolo fondamentale nella gestione clinica e nella valutazione prognostica dei pazienti affetti da COVID-19, poiché i risultati patologici dell'imaging riflettono il processo infiammatorio dei polmoni. In particolare, grazie alla sua massima risoluzione, la tomografia computerizzata del torace è utile per distinguere i diversi pattern parenchimali e le manifestazioni della malattia. Vale la pena sottolineare che l'individuazione e la quantificazione di tali manifestazioni è un passo fondamentale per valutare l'impatto della malattia e seguirne la progressione o la regressione nel tempo. Tuttavia, l'ispezione visiva o, peggio ancora, la delimitazione manuale di tali manifestazioni può richiedere molto tempo e risultare eccessivamente faticosa per i radiologi, soprattutto quando sono pressati dalle urgenti necessità di cura dei pazienti. Gli strumenti di segmentazione delle immagini supportati dall'intelligenza artificiale possono ridurre sensibilmente il carico di lavoro dei radiologi in quanto possono automatizzare o, almeno, facilitare la delineazione delle lesioni patologiche e delle altre regioni di interesse per la valutazione della malattia. Questa delineazione pone le basi per ulteriori analisi diagnostiche e prognostiche basate sulle informazioni quantitative estratte dalle lesioni segmentate. Questo capitolo presenta una panoramica dei metodi di intelligenza artificiale per la segmentazione delle immagini di tomografia computerizzata del torace. L'attenzione è rivolta in particolare agli approcci di Deep Learning, divenuti ultimamente l'approccio principale alla segmentazione delle immagini. Viene inoltre presentato e valutato il contributo degli autori, che consiste in un nuovo metodo che sfrutta l'apprendimento automatico basato sull'attenzione. Infine, una discussione sulle potenzialità, i limiti e le sfide ancora aperte del settore conclude il capitolo.