💻 computer science

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

Questo articolo propone un nuovo metodo CNN ibrido 2D/3D che estrae efficacemente le caratteristiche dai volumi CT toracici anisotropi analizzando tre piani mutuamente perpendicolari, raggiungendo un'accuratezza di classificazione per la diagnosi di COVID-19 dell'83,3% che supera i modelli non ibridi.

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

Pubblicato 2026-08-03

📖 3 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un detective che cerca di risolvere un mistero all'interno di un enorme blocco tridimensionale di gelatina. Questa non è una gelatina qualsiasi; è un blocco di dati che rappresenta un torace umano, tagliato in centinaia di sottili strati come una pagnotta di pane. Nel mondo della scienza medica, questo viene chiamato una TAC. Di solito, i detective (i medici) esaminano questi strati uno alla volta per trovare indizi di un'infezione, come un intruso nascosto. Ma quando un nuovo e subdolo virus ha iniziato a diffondersi in tutto il mondo, c'erano troppi blocchi di gelatina da controllare a mano e i detective stavano stancando. Avevano bisogno di un aiuto robotico. È qui che entra in gioco la "Diagnosi Assistita dal Computer". Immaginala come un cervello robotico super intelligente che può guardare il blocco di gelatina e dire: "Penso che questo abbia il virus" oppure "Questo sembra pulito". La parte complicata è che la gelatina non ha una forma perfetta; gli strati sono a volte spessi e a volte sottili, rendendo difficile per i cervelli robotici standard vedere l'intero quadro chiaramente. Questo articolo riguarda la costruzione di un nuovo tipo di cervello robotico che è specialmente progettato per gestire questi blocchi di dati dalle forme irregolari.

I ricercatori in questo articolo, guidati da Masahiro Oda e dal suo team, volevano creare un modo migliore affinché i computer possano distinguere automaticamente le scansioni TC del torace che probabilmente hanno il COVID-19 da quelle che non lo hanno. Hanno notato che la maggior parte dei cervelli robotici standard (chiamati 3D CNN) fatica quando le "fette di pane" della scansione TC hanno uno spessore irregolare. È come cercare di mangiare un sandwich dove il pane è spesso da un lato e sottile come carta dall'altro; un morso normale potrebbe mancare completamente il ripieno. Per risolvere questo problema, hanno inventato un cervello robotico "ibrido". Invece di guardare solo l'intero blocco 3D tutto in una volta, questo nuovo cervello ha un trucco speciale: guarda il blocco da tre diverse angolazioni contemporaneamente, come guardare un cubo dal davanti, dal lato e dall'alto. Utilizza occhi 2D piatti per scansionare ciascuna di queste angolazioni separatamente, catturando dettagli che un occhio 3D potrebbe perdere a causa dello spessore irregolare delle fette.

Dopo aver raccolto tutti gli indizi da queste tre diverse viste, il cervello robotico li combina in una singola, potente comprensione dell'intera forma 3D. Utilizza poi alcuni astuti trucchi matematici, come le "convoluzioni dilatate" (che agiscono come un obiettivo grandangolare per vedere sia i piccoli dettagli che il quadro generale) e le "connessioni di pooling denso" (che assicurano che nessuna informazione importante vada persa nel caos), per prendere la sua decisione finale. Il team ha testato questo nuovo cervello ibrido su un dataset di 1.288 volumi TC toracici. Hanno scoperto che il loro nuovo metodo dava la risposta corretta circa l'83,3% delle volte. Quando hanno confrontato il metodo con un cervello robotico che non utilizzava questo speciale trucco delle tre angolazioni, la versione ibrida era chiaramente migliore, ottenendo un'accuratezza del 79,5%. L'articolo suggerisce che, usando questi occhi 2D per gestire le fette irregolari, il robot può apprendere in modo più efficace, anche quando non c'è una grande quantità di dati di addestramento disponibili. Sebbene gli autori notino che questo è un passo avanti, menzionano anche che è necessario un lavoro futuro per rendere il sistema ancora migliore e per trasformarlo in uno strumento completo che i medici possano usare ogni giorno per aiutare a combattere il virus.

Sintesi Tecnica: Classificazione Automatica dei Casi di COVID-19 da Volumi CT Toracici mediante CNN Ibrida 2D/3D

Problematica
La rapida diffusione globale della malattia da Nuovo Coronavirus 2019 (COVID-19) ha creato una significativa carenza di manodopera nelle istituzioni mediche, rendendo necessari sistemi di Diagnosi Assistita al Computer (CAD) efficienti. Sebbene la tecnica RT-PCR (Reverse Transcriptase Polymerase Chain Reaction) sia lo strumento diagnostico standard, la sua sensibilità riportata varia solo tra il 42% e il 71%. Al contrario, la diagnosi basata su TC toracica dimostra una sensibilità di circa il 97%, rendendola uno strumento critico per l'identificazione della polmonite virale. Tuttavia, lo sviluppo di metodi di classificazione automatizzata per i volumi TC è complesso a causa della natura anisotropa dei dati CT toracici. I volumi CT possiedono spesso spessori di fetta variabili (da 1,0 a 5,0 mm), rendendo subottimali le standard Reti Neurali Convoluzionali (CNN) 3D con kernel isotropi (ad es. $3 \times 3 \times 3$ ) per l'estrazione delle caratteristiche.

Metodologia
Gli autori propongono un metodo di classificazione automatizzata che utilizza una CNN ibrida 2D/3D progettata specificamente per gestire volumi anisotropi. Il flusso di elaborazione consiste nelle seguenti fasi:

Pre-elaborazione (Generazione del Volume Polmonare):
- Viene applicato un metodo di segmentazione automatica al volume CT toracico grezzo per isolare le regioni polmonari, incluse sia le zone di tessuto normale che quelle di infezione (ad es. opacità a vetro smerigliato e consolidamenti).
- La regione segmentata viene ritagliata e ridimensionata a un volume fisso di $144 \times 144 \times 144$ voxel per servire come "volume polmonare" di input.
Estrazione di Caratteristiche Ibride 2D/3D:
- Parte 2D (Estrazione Parallela delle Caratteristiche): La prima metà della rete elabora il volume polmonare attraverso tre flussi paralleli corrispondenti ai piani assiale, coronale e sagittale. Invece di utilizzare kernel 3D isotropi, la rete impiega kernel di convoluzione anisotropi adattati a ciascun piano:
  - Piano assiale: $3 \times 3 \times 1$
  - Piano coronale: $3 \times 1 \times 3$
  - Piano sagittale: $1 \times 3 \times 3$
- Le caratteristiche estratte da questi tre flussi 2D vengono concatenate.
- Parte 3D (Integrazione Spaziale): Le caratteristiche combinate sono elaborate dalla seconda metà della rete tramite convoluzioni 3D e pooling. Per catturare sia le caratteristiche spaziali locali che globali, gli autori incorporano:
  - Convoluzioni Dilatate: Per utilizzare caratteristiche distribuite in modo sparso.
  - Connessioni di Dense Pooling: Utilizzando un pooling misto (una combinazione di max pooling e average pooling) invece del semplice max pooling, per ridurre la perdita di informazioni e sfruttare l'informazione spaziale multi-scala.
Classificazione:
- L'ultimo strato produce una classificazione binaria: Alta probabilità o Bassa probabilità di un caso di COVID-19, basata sui risultati della TC confermati dai radiologi.

Contributi Chiave

Architettura Innovativa: L'introduzione di un flusso di estrazione delle caratteristiche ibrido 2D/3D che affronta esplicitamente l'anisotropia dei volumi CT medici, elaborando tre piani ortogonali con kernel specifici per piano prima di fonderli in un contesto 3D.
Efficienza dei Parametri: L'uso di kernel basati su 2D nella fase iniziale riduce il numero di parametri addestrabili, permettendo un addestramento efficace anche con dataset limitati.
Robustezza alla Variabilità: Il metodo è progettato per gestire l'ampia variazione nelle dimensioni delle regioni di infezione e nei valori CT osservati nei casi di COVID-19, nonché per distinguerli da altri disturbi non legati al COVID-19.

Risultati Sperimentali
Il metodo è stato valutato su un dataset di 1.288 volumi CT toracici raccolti da diverse istituzioni mediche in Giappone. Il dataset è stato suddiviso in 1.030 casi di addestramento e 258 casi di test.

Prestazioni: La proposta CNN ibrida 2D/3D ha raggiunto un'accuratezza media di classificazione dell'83,3% ± 1,8%.
Confronto: Un esperimento comparativo è stato condotto utilizzando una CNN standard senza la componente ibrida 2D (sostituendo la parte 2D con convoluzioni 3D standard). Questo modello di base ha raggiunto un'accuratezza media del 79,5% ± 2,1%.
Conclusione: I risultati dimostrano che i flussi di estrazione delle caratteristiche ibridi 2D/3D contribuiscono a un miglioramento misurabile dell'accuratezza della classificazione (un aumento di circa 3,8 punti percentuali) rispetto ai modelli privi di questa specifica architettura.

Significatività e Rivendicazioni
L'articolo sostiene che il metodo proposto estrae efficacemente le caratteristiche d'immagine da volumi anisotropi dove le tradizionali CNN 3D isotrope incontrano difficoltà. Integrando l'elaborazione specifica per piano 2D con il contesto spaziale 3D, il sistema ottiene un'accuratezza diagnostica superiore. Gli autori sottolineano che questa architettura non è limitata ai volumi CT, ma ha il potenziale per essere applicata ad altri tipi di immagini mediche volumetriche. Il lavoro funge da passo fondamentale verso lo sviluppo di un sistema CAD completo per il COVID-19, con l'obiettivo di alleviare il carico sul personale medico fornendo un rapido supporto alla diagnosi quantitativa. Gli autori mantengono un approccio modesto, identificando come lavoro futuro l'introduzione di ulteriori fasi di pre-elaborazione per migliorare l'accuratezza e lo sviluppo completo di un sistema CAD clinico.

Articoli simili