💻 computer science

Automated classification method of COVID-19 cases from chest CT volumes using 2D and 3D hybrid CNN for anisotropic volumes

Cet article propose une nouvelle méthode de CNN hybride 2D/3D qui extrait efficacement les caractéristiques des volumes de TDM thoraciques anisotropes en analysant trois plans mutuellement perpendiculaires, atteignant une précision de classification de 83,3 % pour le diagnostic de la COVID-19, ce qui surpasse les modèles non hybrides.

Auteurs originaux : Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

Publié 2026-08-03

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Masahiro Oda, Tong Zheng, Yuichiro Hayashi, Yoshito Otake, Masahiro Hashimoto, Toshiaki Akashi, Shigeki Aoki, Kensaku Mori

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un détective essayant de résoudre un mystère à l'intérieur d'un bloc géant de gelée tridimensionnelle. Ce n'est pas n'importe quelle gelée ; c'est un bloc de données représentant un thorax humain, découpé en centaines de fines tranches comme une miche de pain. Dans le monde de la science médicale, cela s'appelle un scanner CT. Habituellement, les détectives (les médecins) examinent ces tranches une par une pour trouver des indices d'une infection, comme un intrus caché. Mais lorsqu'un nouveau virus sournois a commencé à se propager dans le monde entier, il y avait trop de blocs de gelée à vérifier à la main, et les détectives commençaient à se fatiguer. Ils avaient besoin d'un assistant robotique. C'est là qu'intervient le « Diagnostic Assisté par Ordinateur ». Voyez cela comme un cerveau de robot super intelligent capable de regarder le bloc de gelée et de dire : « Je pense que celui-ci contient le virus » ou « Celui-ci semble sain ». La partie délicate est que la gelée n'est pas parfaitement façonnée ; les tranches sont parfois épaisses et parfois fines, ce qui rend difficile pour les cerveaux de robots standards de voir l'image complète clairement. Cet article traite de la construction d'un nouveau type de cerveau de robot, spécialement conçu pour gérer ces blocs de données aux formes irrégulières.

Les chercheurs de cet article, dirigés par Masahiro Oda et son équipe, voulaient créer une meilleure façon pour les ordinateurs de distinguer automatiquement les scanners CT thoraciques qui présentent probablement la COVID-19 de ceux qui ne l'ont pas. Ils ont remarqué que la plupart des cerveaux de robots standards (appelés CNN 3D) ont du mal lorsque l'épaisseur des « tranches de pain » du scanner CT est inégale. C'est comme essayer de manger un sandwich où le pain est épais d'un côté et fin comme du papier de l'autre ; une bouchée normale pourrait passer entièrement à côté de la garniture. Pour corriger cela, ils ont inventé un cerveau de robot « hybride ». Au lieu de simplement regarder tout le bloc 3D d'un coup, ce nouveau cerveau possède un tour spécial : il regarde le bloc sous trois angles différents en même temps — comme si l'on regardait un cube de face, de côté et par le dessus. Il utilise des yeux 2D plats pour scanner chaque angle séparément, capturant des détails qu'un œil 3D pourrait manquer à cause de l'épaisseur inégale des tranches.

Après avoir rassemblé tous les indices de ces trois points de vue différents, le cerveau du robot combine ces informations en une compréhension unique et puissante de la forme 3D globale. Il utilise ensuite des astuces mathématiques ingénieuses, comme les « convolutions dilatées » (qui agissent comme un objectif grand angle pour voir à la fois les petits détails et l'ensemble du panorama) et les « connexions de pooling denses » (qui font en sorte qu'aucune information importante ne soit perdue dans le processus), pour prendre sa décision finale. L'équipe a testé ce nouveau cerveau hybride sur un ensemble de données de 1 288 volumes de CT thoraciques. Ils ont constaté que leur nouvelle méthode obtenait la bonne réponse environ 83,3 % du temps. Lorsqu'ils l'ont comparée à un cerveau de robot qui n'utilisait pas ce tour spécial des trois angles, la version hybride était nettement meilleure, avec une précision d'environ 79,5 %. L'article suggère qu'en utilisant ces yeux 2D pour gérer les tranches inégales, le robot peut apprendre plus efficacement, même lorsqu'il n'y a pas une énorme quantité de données d'entraînement disponibles. Bien que les auteurs notent que cela constitue une avancée, ils mentionnent également que des travaux futurs sont nécessaires pour améliorer encore le système et pour en faire un outil complet que les médecins pourront utiliser quotidiennement pour aider à combattre le virus.

Résumé Technique : Classification Automatisée des Cas de COVID-19 à partir de Volumes de TDM Thoraciques via un CNN Hybride 2D/3D

Énoncé du Problème
La propagation mondiale rapide de la maladie à coronavirus 2019 (COVID-19) a créé une pénurie de main-d'œuvre significative dans les institutions médicales, nécessissant des systèmes de diagnostic assisté par ordinateur (CAD) efficaces. Bien que le test de réaction en chaîne par polymérase après transcription inverse (RT-PCR) soit l'outil de diagnostic standard, sa sensibilité est rapportée entre seulement 42 % et 71 %. En revanche, le diagnostic basé sur la tomodensitométrie (TDM) thoracique démontre une sensibilité d'environ 97 %, ce qui en fait un outil critique pour identifier la pneumonie virale. Cependant, le développement de méthodes de classification automatisées pour les volumes de TDM est difficile en raison de la nature anisotrope des données de TDM thoracique. Les volumes de TDM possèdent souvent des épaisseurs de coupe variables (allant de 1,0 à 5,0 mm), rendant les réseaux de neurones convolutifs (CNN) 3D standards avec des noyaux isotropes (par exemple, $3 \times 3 \times 3$ ) sous-optimaux pour l'extraction de caractéristiques.

Méthodologie
Les auteurs proposent une méthode de classification automatisée qui utilise un CNN hybride 2D/3D conçu spécifiquement pour gérer les volumes anisotropes. Le flux de traitement se compose des étapes suivantes :

Prétraitement (Génération du Volume Pulmonaire) :
- Une méthode de segmentation automatisée est appliquée au volume de TDM thoracique brut pour isoler les régions pulmonaires, incluant à la fois les tissus normaux et les régions infectées (par exemple, les opacités en verre dépoli et les consolidations).
- La région segmentée est découpée et redimensionnée à un volume fixe de $144 \times 144 \times 144$ voxels pour servir de « volume pulmonaire » d'entrée.
Extraction de Caractéristiques Hybrides 2D/3D :
- Partie 2D (Extraction de Caractéristiques Parallèle) : La première moitié du réseau traite le volume pulmonaire à travers trois flux parallèles correspondant aux plans axial, coronal et sagittal. Au lieu d'utiliser des noyaux 3D isotropes, le réseau emploie des noyaux de convolution anisotropes adaptés à chaque plan :
  - Plan axial : $3 \times 3 \times 1$
  - Plan coronal : $3 \times 1 \times 3$
  - Plan sagittal : $1 \times 3 \times 3$
- Les caractéristiques extraites de ces trois flux 2D sont concaténées.
- Partie 3D (Intégration Spatiale) : Les caractéristiques combinées sont traitées par la seconde moitié du réseau à l'aide de convolutions et de pooling 3D. Pour capturer à la fois les caractéristiques spatiales locales et globales, les auteurs incorporent :
  - Convolutions Dilatées : Pour utiliser des caractéristiques distribuées de manière éparse.
  - Connexions de Pooling Dense : Utilisant un pooling mixte (une combinaison de max pooling et de average pooling) plutôt qu'un max pooling standard afin de réduire la perte d'information et de tirer parti des informations spatiales multi-échelles.
Classification :
- La couche finale produit une classification binaire : Probabilité élevée ou Probabilité faible d'un cas de COVID-19, basée sur les observations de TDM confirmées par des radiologues.

Contributions Clés

Architecture Novatrice : L'introduction d'un flux d'extraction de caractéristiques hybride 2D/3D qui traite explicitement l'anisotropie des volumes de TDM médicale en traitant trois plans orthogonaux avec des noyaux spécifiques à chaque plan avant de les fusionner dans un contexte 3D.
Efficacité des Paramètres : L'utilisation de noyaux basés sur la 2D dans la phase initiale réduit le nombre de paramètres entraînables, permettant un entraînement efficace même avec des ensembles de données limités.
Robustesse à la Variabilité : La méthode est conçue pour gérer la grande variation dans la taille des régions infectées et les valeurs de TDM observées dans les cas de COVID-19, ainsi que pour les distinguer des troubles non liés à la COVID-19.

Résultats Expérimentaux
La méthode a été évaluée sur un ensemble de données de 1 288 volumes de TDM thoracique collectés auprès de plusieurs institutions médicales au Japon. L'ensemble de données a été divisé en 1 030 cas d'entraînement et 258 cas de test.

Performance : Le CNN hybride 2D/3D proposé a atteint une précision de classification moyenne de 83,3 % ± 1,8 %.
Comparaison : Une expérience comparative a été menée en utilisant un CNN standard sans la composante hybride 2D (remplaçant la partie 2D par des convolutions 3D standard). Ce modèle de référence a atteint une précision moyenne de 79,5 % ± 2,1 %.
Conclusion : Les résultats démontrent que les flux d'extraction de caractéristiques hybrides 2D/3D contribuent à une amélioration mesurable de la précision de la classification (une augmentation d'environ 3,8 points de pourcentage) par rapport aux modèles dépourvus de cette architecture spécifique.

Signification et Revendications
L'article affirme que la méthode proposée extrait efficacement les caractéristiques d'image des volumes anisotropes là où les CNN 3D isotropes traditionnels peinent. En intégrant le traitement 2D spécifique aux plans avec un contexte spatial 3D, le système atteint une précision diagnostique plus élevée. Les auteurs notent que cette architecture n'est pas limitée aux volumes de TDM mais possède le potentiel d'être appliquée à d'autres types d'images médicales volumétriques. Ce travail constitue une étape fondamentale vers le développement d'un système CAD complet pour la COVID-19, visant à alléger la charge de travail du personnel médical en fournissant une assistance au diagnostic rapide et quantitatif. Les auteurs restent modestes, identifiant comme travaux futurs l'introduction de nouvelles étapes de prétraitement pour améliorer la précision et le développement complet d'un système clinique de CAD.

Articles similaires