[論文レビュー] COVID-Net CT-S: 3D Convolutional Neural Network Architectures for COVID-19 Severity Assessment using Chest CT Images

Hossein Aboutalebi, Saad Abbasi+2 more|arXiv (Cornell University)|May 4, 2021

COVID-19 diagnosis using AI参考文献 18被引用数 7

ひとこと要約

本論文では、胸部CTボリュームを用いてCOVID-19肺疾患の重症度を評価することを目的とした3次元畳み込みニューラルネットワーク（COVID-Net CT-S）のスイートを紹介する。3次元残差アーキテクチャを活用してボリューム特徴を捉えることで、モデルは78.5%の正確性を達成し、2次元手法と比較して19.5%高い性能を示した。これは、3次元畳み込みが2次元手法よりも重症度関連のパターンをより効果的に捉えられることを示している。

ABSTRACT

The health and socioeconomic difficulties caused by the COVID-19 pandemic continues to cause enormous tensions around the world. In particular, this extraordinary surge in the number of cases has put considerable strain on health care systems around the world. A critical step in the treatment and management of COVID-19 positive patients is severity assessment, which is challenging even for expert radiologists given the subtleties at different stages of lung disease severity. Motivated by this challenge, we introduce COVID-Net CT-S, a suite of deep convolutional neural networks for predicting lung disease severity due to COVID-19 infection. More specifically, a 3D residual architecture design is leveraged to learn volumetric visual indicators characterizing the degree of COVID-19 lung disease severity. Experimental results using the patient cohort collected by the China National Center for Bioinformation (CNCB) showed that the proposed COVID-Net CT-S networks, by leveraging volumetric features, can achieve significantly improved severity assessment performance when compared to traditional severity assessment networks that learn and leverage 2D visual features to characterize COVID-19 severity.

研究の動機と目的

• 臨床現場における正確で一貫性のあるCOVID-19重症度評価の課題に対処する。特に、病変の進行が微細なため、熟練したレントゲン診断医でも困難である点を改善する。
• 個々のCTスライスを独立して分析する2次元畳み込みネットワークの限界を克服する。これにより、肺疾患における重要な3次元的構造的文脈を欠くことなく、病変の評価を可能にする。
• ボリュームデータに特化したディーブラーニングフレームワークを構築し、COVID-19患者の重症度レベル（軽度、中等度、重度）の予測精度を向上させる。
• スキャンプロトコルや患者の人口統計的特徴に大きなばらつきがある不均衡なデータセットにおいて、モデルの一般化性能と訓練の安定性を向上させる。
• 3次元畳み込みが2次元手法に比べ、病変の重症度に関連する空間的に一貫性のある特徴をより効果的に学習できることを実証する。

提案手法

• 全CTスキャンボリュームからボリューム特徴を学習する3次元残差ネットワークアーキテクチャ（COVID-Net CT-S）を提案し、肺異常における3次元的空間的依存関係を捉える。
• 重症度レベル（軽度、中等度、重度）のクラス不均衡を緩和するために、均一なバッチサンプリング戦略を実装し、訓練の安定性と収束性を向上させる。
• すべてのネットワークバリアントにドロップアウト正則化を適用し、過学習を低減させ、特に限られたかつ多様なデータセットにおいて一般化性能を向上させる。
• 身体領域のクロッピングやテーブルアーチファクト低減などの前処理技術を、先行研究から適応し、解剖学的文脈を保持しながらノイズを低減する。
• 複数の3次元ネットワークバリアント（例：CT-S50、CT-S100、CT-S152）を訓練・評価し、スライス単位の予測と多数決投票を用いる2次元残差ネットワーク（CT-S50）と性能を比較する。
• 3クラスの重症度グループ化を採用：臨床的意義と治療への影響に基づき、軽度（1–2）、中等度（3）、重度（4–6）とする。

実験結果

リサーチクエスチョン

• RQ1 3次元畳み込みニューラルネットワークは、胸部CTボリュームからのCOVID-19病変重症度分類において、従来の2次元ネットワークを上回ることができるか？
• RQ2 ボリューム特徴を用いることで、2次元スライス単位の分析に比べ、微細で空間的に分散した肺異常の検出がどの程度向上するか？
• RQ3 特に均一なバッチサンプリングとドロップアウトを含むカスタマイズされたトレーニングレジームが、不均衡で多施設のCTデータセットにおいてモデル性能をどの程度向上させるか？
• RQ4 2次元モデルと比較して、3次元アーキテクチャは多様なスキャンプロトコルや患者の人口統計的特徴にわたってより良好に一般化できるか？
• RQ5 限られたかつノイズの多い臨床的CTデータを用いた重症度評価の文脈において、3次元ネットワークの最適な深さとアーキテクチャ設定は何か？

主な発見

• COVID-Net CT-SはCNCBデータセットで78.5%の正確性を達成し、2次元CT-S50ベースライン（59.0%）と比較して19.5%の向上を示した。
• 152層でドロップアウトを適用した3次元バリアント（COVID-Net CT-S152）が最高の性能を示し、深さを合わせた場合に2次元モデルを13%上回った。
• 混同行列の結果、重度症例では72%、中等度では79%、軽度では85%の正確性を示し、全重症度レベルで安定した予測性能が確認された。
• 均一なバッチサンプリングの使用により、不均衡な重症度分布における訓練収束性とモデル一般化性能が顕著に向上した。
• ドロップアウト正則化により正確性が10%向上した。これは、限られたかつ多様なデータセットにおいて過学習を防ぐ上で極めて重要であることを示している。
• 結果から、3次元畳み込みが病変重症度に関連するボリューム特徴を効果的に捉えられ、2次元手法がスライス単位の集約に依存するのとは対照的に優れていることが確認された。