[論文レビュー] FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis

Junlin Hou, Jilan Xu+2 more|arXiv (Cornell University)|Jul 5, 2022

COVID-19 diagnosis using AI被引用数 4

ひとこと要約

本論文は、胸部CTスキャンにおけるCOVID-19の検出および重症度分類の向上を目的として、対照的表現学習とミックスアップデータ増強を組み合わせた3次元対照的ミックスアップ分類ネットワーク（CMC-COV19D）を提案する。この手法は、検出タスクで0.933のマクロF1、重症度予測で0.770のマクロF1を達成し、ベースラインよりそれぞれ16.3%および14%顕著に優れている。

ABSTRACT

This paper presents our solution for the 2nd COVID-19 Competition, occurring in the framework of the AIMIA Workshop in the European Conference on Computer Vision (ECCV 2022). In our approach, we employ an effective 3D Contrastive Mixup Classification network for COVID-19 diagnosis on chest CT images, which is composed of contrastive representation learning and mixup classification. For the COVID-19 detection challenge, our approach reaches 0.9245 macro F1 score on 484 validation CT scans, which significantly outperforms the baseline method by 16.5%. In the COVID-19 severity detection challenge, our approach achieves 0.7186 macro F1 score on 61 validation samples, which also surpasses the baseline by 8.86%.

研究の動機と目的

• 3次元胸部CTスキャンにおける深層学習を用いたCOVID-19検出および重症度分類の精度を向上させること。
• 放射線診断における高い作業負荷を軽減するため、強固な深層学習モデルを用いた診断の自動化を図ること。
• 対照的表現学習とミックスアップ増強を用いて、モデルの汎化性能および判別的特徴学習を向上させること。
• 両タスクにおける検出および重症度課題の2回目COV19Dコンペティションベンチマークで最先端の性能を達成すること。
• 低リソースで高影響力を持つ診断タスクにおける医療画像解析における対照的学習とミックスアップの組み合わせの有効性を検証すること。

提案手法

• 本手法は、対照的表現学習（CRL）とミックスアップベースのデータ増強を統合した3次元対照的ミックスアップ分類ネットワーク（CMC-COV19D）を採用する。
• CRLは、入力CTごとに2つのビューを生成するための確率的データ増強モジュールを用い、その後にベースエンコーダーとプロジェクションヘッドを経て対照的表現を生成する。
• 対照的損失は、同じクラスの増強ビュー（ポジティブペア）と異なるクラスのビュー（ネガティブペア）を対象とした教師あり対照的損失であり、温度スケーリングを伴う。
• ミックスアップ増強は、2つの入力CTボリュームとそのワンホットラベルを線形補間により混合し、混合サンプルに交差エントロピー損失を適用する。
• 最終的な目的関数は、対照的損失、ミックスアップ損失、分類用交差エントロピー損失の3つを組み合わせており、学習可能なバランス重みが付与されている。
• 特徴抽出を向上させるために、ImageNetおよびKinetics-400で事前学習されたインフレートド3次元ResNest50とUniformer-Sをバックボーンネットワークとして使用する。

実験結果

リサーチクエスチョン

• RQ1 対照的表現学習は、3次元胸部CTスキャンにおけるCOVID-19検出のための判別的特徴学習を向上させることができるか？
• RQ2 ミックスアップデータ増強は、医療画像分類における低データ環境下での汎化性能およびロバストネスを向上させるか？
• RQ3 対照的損失、ミックスアップ損失、分類損失の共同最適化は、診断性能の向上にどの程度効果的か？
• RQ4 提案された3次元CMC-COV19Dフレームワークは、検出および重症度分類の両タスクで既存のベースラインを上回ることができるか？
• RQ5 異なる事前学習戦略（ImageNet対Kinetics-400）は、この医療画像分野におけるモデル性能にどのような影響を与えるか？

主な発見

• 提案されたCMC-COV19Dモデルは、COVID-19検出チャレンジの検証セットで0.933のマクロF1スコアを達成し、ベースラインより16.3ポイント上回った。
• 重症度検出チャレンジでは、0.770のマクロF1スコアを達成し、ベースライン手法より14%の向上を示した。
• 対照的表現学習とミックスアップ増強の両方の導入により、テストしたすべてのバックボーンアーキテクチャにおいて一貫した性能向上が得られた。
• 最も優れた性能を示したモデルは、Kinetics-400で事前学習されたUniformer-Sバックボーンを用い、16x8の時間的解像度を採用し、検出タスクで0.933のマクロF1スコアを達成した。
• 適応的ミックスアップおよびカットミックス戦略の使用によりさらなる性能向上が得られ、医療画像における高度なデータ増強の重要性が示された。
• 対照的およびミックスアップコンponentsを組み込んだモデルは、ResNest50およびUniformer-Sを含むさまざまなバックボーンにおいて一貫した改善を示し、優れた汎化性能を示した。