[論文レビュー] COVID Detection in Chest CTs: Improving the Baseline on COV19-CT-DB

Radu Miron, Cosmin Moisii+2 more|arXiv (Cornell University)|Jul 10, 2021

COVID-19 diagnosis using AI参考文献 12被引用数 5

ひとこと要約

本論文は、胸部CTスキャンにおけるCOVID-19検出のための二重アプローチを提案している。3Dボリュメトリックネットワークとスライス単位の分類および集約を用い、COV19-CT-DBの検証セットでマクロ-F1スコア0.92を達成し、コンペティションのベースライン0.70を著しく上回った。最も優れた結果は、自動ラベリング手順によるノイズの多いスライスレベルラベルを伴うスライスベースの手法（neural architecture search、sharpDARTS）から得られた。

ABSTRACT

The paper presents a comparative analysis of three distinct approaches based on deep learning for COVID-19 detection in chest CTs. The first approach is a volumetric one, involving 3D convolutions, while the other two approaches perform at first slice-wise classification and then aggregate the results at the volume level. The experiments are carried on the COV19-CT-DB dataset, with the aim of addressing the challenge raised by the MIA-COV19D Competition within ICCV 2021. Our best results on the validation subset reach a macro-F1 score of 0.92, which improves considerably the baseline score of 0.70 set by the organizers.

研究の動機と目的

• MIA-COV19Dコンペティション主催者により設定されたCOV19-CT-DBデータセットにおけるベースラインマクロ-F1スコア0.70を向上させること。
• 3つのディープラーニングアプローチ（3Dボリュメトリック手法と2つのスライス単位の手法、異なる集約戦略を用いる）を評価および比較すること。
• ノイズを含むスライスレベルラベルが性能に与える影響を、単純なラベリング手順と洗練されたラベリング手順を用いて調査すること。
• スライスレベル分類における最適な2D畳み込み層アーキテクチャを学習するため、neural architecture search（sharpDARTS）の有効性を検討すること。
• 臨床的局在化を支援する、実用的で解釈可能な方法として、CTスキャンにおける肺病変の特定を提供すること。

提案手法

• 3D畳み込みニューラルネットワークが、3D畳み込みを用いて軸方向スライス全体の空間的文脈を直接捉えることで、CTボリューム全体を処理する。
• 2つのスライス単位のアプローチを採用：1つは、3スライスの手動で設計されたミニボリュームとロジスティック回帰またはMLPによる集約を用いるもの、もう1つはsharpDARTSを用いて最適な2D CNNアーキテクチャを探索するもの。
• スライスレベルラベルは、ナイーブな方法（COVID-CT内のすべてのスライスを陽性とラベル付け）と、事前学習済みの結核検出モデルを用いて影響を受ける可能性のあるスライスを同定する洗練された方法の2つを用いる。
• 最終的なCTレベルの予測は、スライスレベルの予測の多数決ルールを用いて全体のクラスを決定することで行われる。
• sharpDARTSアルゴリズムは1日間のアーキテクチャ探索を経て、61.3 MMACのコンactなモデルを生成し、300エポックの訓練を経た。
• 個々のスライスに対してデータ拡張および正規化が施され、強度を350 HUのウインドウ/レベルにクリッピングし、各ボリュームごとに[0,1]に正規化される。

実験結果

リサーチクエスチョン

• RQ1 COV19-CT-DBデータセットにおいて、3Dボリュメトリックディープラーニングモデルは、スライス単位のアプローチを上回る性能を示せるか？
• RQ2 同じラベル付きスライスを用いた場合、異なる集約戦略（ロジスティック回帰、MLP、またはニューラルアーキテクチャサーチ）を用いるスライス単位分類手法の性能はどのように変化するか？
• RQ3 非COVID-CTからラベル付けされた自動ラベリングによって生じるノイズを含むスライスレベルラベルは、最終的な分類性能にどの程度の影響を与えるか？
• RQ4 ニューラルアーキテクチャサーチ（sharpDARTS）は、スライスレベル分類に適した効果的な2D CNNアーキテクチャを発見でき、全CTボリュームに一般化できるか？
• RQ5 スライス単位分類による病変局在情報の組み込みは、性能の妥協が伴うとしても、臨床的解釈可能性を向上させるか？

主な発見

• ボリュメトリックアプローチは、トレーニングセットでマクロ-F1スコア0.96、検証セットで0.92を達成し、ベースラインの0.70を著しく上回った。
• sharpDARTSを用いたスライス単位のアプローチは、関連のない結核検出モデルからのノイズを含むスライスレベルラベルを用いても、検証セットでマクロ-F1スコア0.74を達成した。
• ミニボリュームとMLPを用いたスライス単位の手法は、トレーニングセットでマクロ-F1スコア0.97、検証セットで0.84を達成し、適切な集約により優れた一般化性能を示した。
• 最も優れたスライス単位の手法であるsharpDARTSは、1日間の探索で61.3 MMACのコンactなアーキテクチャを発見し、効率的かつ効果的であることを示した。
• 本研究は、3Dボリュメトリックモデルに比べてやや精度が低いものの、スライス単位の手法が肺の病変の局在を可能にすることで、解釈性に優れていることを確認した。
• 自動スライスラベリングによるノイズが導入されたにもかかわらず、最も優れたスライス単位の手法は検証セットでマクロ-F1スコア0.74を達成し、ラベルの不完全性に対しても頑健であることを示した。