[論文レビュー] Cov3d: Detection of the presence and severity of COVID-19 from CT scans using 3D ResNets

Robert Turnbull|arXiv (Cornell University)|Jul 5, 2022

COVID-19 diagnosis using AI被引用数 5

ひとこと要約

Cov3d は、COV19-CT-DB データセットを用いて、胸部 CT スキャンから COVID-19 の存在と重症度を検出する 3D ResNet をベースにした深層学習モデルを提案する。存在検出では 0.9476 のマクロ F1 スコア、重症度分類では 0.7552 のスコアを達成し、MIA-COV19D 2022 競争のベースラインを上回った。

ABSTRACT

Deep learning has been used to assist in the analysis of medical imaging. One such use is the classification of Computed Tomography (CT) scans when detecting for COVID-19 in subjects. This paper presents Cov3d, a three dimensional convolutional neural network for detecting the presence and severity of COVID19 from chest CT scans. Trained on the COV19-CT-DB dataset with human expert annotations, it achieves a macro f1 score of 0.9476 on the validation set for the task of detecting the presence of COVID19. For the task of classifying the severity of COVID19, it achieves a macro f1 score of 0.7552. Both results improve on the baseline results of the `AI-enabled Medical Image Analysis Workshop and Covid-19 Diagnosis Competition' (MIA-COV19D) in 2022.

研究の動機と目的

• 胸部 CT スキャンにおける COVID-19 の存在と重症度を検出できる深層学習モデルの開発を目的とする。
• CT 影像からの二重分類に焦点を当てた MIA-COV19D 2022 競争のベースライン結果を改善することを目的とする。
• ボリュメトリック CT データにおける coronal, sagittal, axial 平面における空間的文脈を捉えるために、3D 畳み込みニューラルネットワークを活用することを目的とする。
• 標準化された前処理とデータ拡張を用いて、CT スキャンの深さと解像度のばらつきに起因する課題に対処することを目的とする。
• 検出精度を重視しつつ重症度分類性能を維持するための重み付きマルチタスク損失関数を用いてモデル性能を最適化することを目的とする。

提案手法

• Cov3d は、動画事前学習済みモデルをベースにした 3D ResNet-18 アーキテクチャを採用し、ボリュメトリック CT データを処理する。
• 入力 CT スキャンは、双三次補間を用いてスライスを 128²、256²、または 320² ピixe にリサイズし、その後、幅・高さと一致するように 1D 三次補間を用いて深さを再サンプリングする。
• モデルは、検出と重症度分類の両方のタスクにクロスエントロピーを組み合わせたカスタム損失関数を用いて訓練される。重みパラメータ λ を用いて二つのタスクのバランスを調整する。
• データ拡張には、トレーニング中にランダムな sagittal フリップを実施し、テスト時の推論では元データとフリップ済み入力からの予測を平均化する。
• 重み減衰を 10⁻⁵ とし、学習の正則化と一般化性能の向上のため、コサインアニーリングを用いた Adam 最適化を採用する。
• 各タスクの検証セットで達成された最高のマクロ F1 スコアに基づいて、モデル重みを保存する。

実験結果

リサーチクエスチョン

• RQ1 3D 畳み込みニューラルネットワークは、高い精度で胸部 CT スキャンにおける COVID-19 の存在を効果的に検出できるか？
• RQ2 1 つの深層学習モデルが、CT 影像から COVID-19 の存在と重症度を同時に予測できる範囲はどの程度か？
• RQ3 変動する深さと解像度を持つ CT スキャンを標準化処理することで、モデル性能と学習安定性にどのような影響を与えるか？
• RQ4 損失重み付けやデータ拡張などのハイパーパrameter設定は、医療画像における二重分類タスクの最適性能をもたらすか？
• RQ5 動画データで事前学習された 3D ResNet アーキテクチャは、CT スキャンにおける肺疾患の診断タスクに効果的に転移可能か？

主な発見

• Cov3d は、検出タスクにおいて検証セットで 0.9476 のマクロ F1 スコアを達成し、MIA-COV19D 2022 競争のベースラインを顕著に上回った。
• 重症度分類では、マクロ F1 スコアが 0.7552 に達し、MIA-COV19D 2022 競争のベースラインである 0.63 を上回った。
• 最高性能を示した検出用モデルは、解像度 160×320×320 と λ=0.1（検出タスクを優先）の設定を採用した。
• 最良の重症度分類モデルは、解像度 128×256×256 と λ=0.9 を使用し、重症度損失により高い重みを割り当てることで性能が向上した。
• 各タスクの上位 4 モデルをアンサンブルしてテストセットに提出する計画であり、モデルアンサンブルによる性能の向上とロバスト性の向上が期待された。
• モデルは優れた一般化性能を示し、複数のハイパーパramータ設定において一貫した性能を発揮した。これは、学習と推論における安定性を示している。