[论文解读] 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 7

一句话总结

本文提出 COVID-Net CT-S，一套用于通过胸部 CT 扫描体积评估新冠肺炎肺部疾病严重程度的 3D 卷积神经网络。通过利用 3D 残差架构捕捉体素特征，该模型实现了 78.5% 的准确率——比 2D 方法高出 19.5%——表明 3D 卷积比 2D 方法更能捕捉与严重程度相关的模式。

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.

研究动机与目标

• 解决临床环境中准确且一致评估新冠肺炎严重程度的挑战，因为专家放射科医生难以应对疾病进展的细微变化。
• 克服 2D 卷积网络独立分析单个 CT 切片的局限性，避免遗漏肺部病理中关键的 3D 结构上下文。
• 开发一种专为体素 CT 数据设计的深度学习框架，以改善新冠肺炎患者严重程度等级（轻度、中度、重度）的预测。
• 在扫描协议和患者人口统计学差异较大的不平衡数据集上，提升模型的泛化能力和训练稳定性。
• 证明 3D 卷积比 2D 方法更能学习与疾病严重程度相关的空间一致特征。

提出的方法

• 提出一种 3D 残差网络架构（COVID-Net CT-S），从完整 CT 扫描体积中学习体素表征，捕捉肺部异常中的 3D 空间依赖性。
• 实施统一的小批量采样策略，以缓解严重程度等级（轻度、中度、重度）之间的类别不平衡，提升训练稳定性和收敛性。
• 在所有网络变体中应用 dropout 正则化，以减少过拟合并提升泛化能力，尤其在数据有限且异质的数据集上表现更优。
• 采用先前研究中的预处理技术，包括身体区域裁剪和床架伪影抑制，以在减少噪声的同时保留解剖上下文。
• 训练并评估多个 3D 网络变体（如 CT-S50、CT-S100、CT-S152），并与使用切片级预测和多数投票法的 2D 残差网络（CT-S50）进行性能对比。
• 采用三分类严重程度分组：轻度（1–2）、中度（3）、重度（4–6），基于临床相关性和治疗意义。

实验结果

研究问题

• RQ1 3D 卷积神经网络能否在从胸部 CT 体积分类新冠肺炎严重程度方面优于传统的 2D 网络？
• RQ2 与 2D 切片级分析相比，使用体素 3D 特征在检测细微且空间分布的肺部异常方面有何改进？
• RQ3 定制化的训练方案——特别是统一小批量采样和 dropout——在不平衡、多中心 CT 数据集上在多大程度上提升了模型性能？
• RQ4 3D 架构是否比 2D 模型在不同扫描协议和患者人口统计学背景下具有更好的泛化能力？
• RQ5 在数据有限且存在噪声的临床 CT 数据背景下，3D 网络在严重程度评估中的最优深度和架构配置是什么？

主要发现

• COVID-Net CT-S 在 CNCB 数据集上达到 78.5% 的准确率，比 2D CT-S50 基线模型（59.0%）高出 19.5%。
• 具有 152 层和 dropout 的 3D 变体（COVID-Net CT-S152）表现最佳，在深度匹配的情况下比 2D 模型高出 13%。
• 混淆矩阵显示各类别表现良好：重度病例准确率为 72%，中度为 79%，轻度为 85%，表明在所有严重程度等级上均具备稳健预测能力。
• 统一小批量采样显著提升了在类别不平衡严重程度分布上的训练收敛性和模型泛化能力。
• Dropout 正则化使准确率提升了 10%，凸显其在防止有限且异质数据上的过拟合中的重要性。
• 结果证实，3D 卷积能有效捕捉与疾病严重程度相关的体素特征，优于依赖切片级聚合的 2D 方法。