Classification of COVID-19 cases from chest CT volumes using hybrid model of 3D CNN and 3D MLP-Mixer

技術要約：3D CNNと3D MLP-Mixerを用いたハイブリッド型による胸部CTボリュームからのCOVID-19症例分類

問題提起
新型コロナウイルス感染症（COVID-19）の急速な世界的な拡大は、医療機関における深刻なマンパワー不足を引き起こしており、効率的な診断ワークフローが必要とされています。検査の標準的な手法であるRT-PCR法は、その感度が42%から71%程度にとどまると報告されている一方、胸部CTに基づく診断は97%の感度が報告されており、ウイルス性肺炎を特定するための重要なモダリティとなっています。しかし、CTボリュームの目視による解釈には多大な時間を要します。既存の自動化されたコンピュータ支援診断（CAD）システムは、畳み込みニューラルネットワーク（CNN）に依存することが多く、これらは受容野の制限により、主に局所的な画像特徴を利用するという限界があります。対照的に、Vision Transformer（ViT）はグローバルな特徴を考慮できますが、高い性能を達成するためには膨大な訓練データを必要とし、それは医療画像分野では入手困難な場合が多いです。課題は、限られた訓練データにおいても堅牢性を維持しつつ、3D CTボリュームから局所的およびグローバルな特徴の両方を効果的に活用できる自動分類手法を開発することにあります。

手法
著者らは、3D 畳み込みニューラルネットワーク（3D CNN）と3D版MLP-Mixerを組み合わせたハイブリッドモデルを用いた、胸部CTボリュームの自動分類手法を提案しています。

• 前処理: 入力される胸部CTボリュームは、肺領域を分離するために肺セグメンテーションが行われます。肺組織を含まない軸状スライスは除去され、残ったサブボリュームは $192 \times 192 \times 128$ ボクセルの固定解像度にスケーリングされます。
• 3D CNNによる特徴抽出: スケーリングされたサブボリュームは、局所的な画像特徴を抽出するために3D CNNによって処理されます。このセクションでは、情報の損失を抑え、複数のスケールにわたる空間情報を捉えるために、最大プーリングと平均プーリングを組み合わせた混合プーリング（mixed pooling）を用いた高密度プーリング接続を採用しています。出力は3D特徴ボリュームとなります。
• 3Dパッチ生成: 3D特徴ボリュームから、$4 \times 4 \times 4$ ボクセルのサイズの非重複3Dパッチが抽出されます。各パッチは、$C=64$ のコンポーネントを持つ1Dベクトルへと整形されます。
• 3D MLP-Mixerによる分類: 著者らは、元の2D MLP-Mixerアーキテクチャを、3Dボリュームを扱うために拡張しました。3Dパッチの集合は、3D MLP-Mixerへの入力（$X \in \mathbb{R}^{S \times C}$）として機能します。モデルは、以下の2つのマルチレイヤーパーセプトロン（MLP）ブロックで構成される $L$ 個の層を通じて入力を処理します。
  1. トークンミキシング（Token-mixing）: グローバルなコンテキストを統合するために、パッチ間の特徴混合を行います。
  2. チャネルミキシング（Channel-mixing）: パッチ内の特徴混合を行います。
     最終的な出力は、グローバル平均プーリングと全結合層を通過し、二値分類（COVID-19の可能性が高いか低いか）を生成します。

主な貢献

1. ハイブリッドアーキテクチャ: 本論文は、局所的な特徴抽出のための3D CNNと、グローバルな特徴統合のための3D MLP-Mixerを統合した、新しいハイブリッドモデルを導入しています。これにより、純粋なCNN（局所的な焦点）と、純粋なTransformerやMLP-Mixer（データへの飢餓性）の限界に対処しています。
2. 3D MLP-Mixerの適応: 著者らは、もともと2D画像用に設計されたMLP-Mixerを、パッチングおよびミキシングメカニズムを3D空間に適応させることで、3Dボリュームを処理できるようにすることに成功しました。
3. 限定的なデータにおける効率性: このハイブリッドアプローチは、グローバルな混合を行う前に3D CNNを用いて堅牢な局所的特徴を事前抽出することで、医療画像において一般的な制約である限られた数の訓練サンプルであっても、高い分類性能を達成するように設計されています。

実験結果
提案手法は、日本の複数の医療機関から取得された1,205の胸部CTボリューム（COVID-19症例および非COVID-19症例）を含むデータセットを用いて評価されました。データセットは、80%を訓練用、20%をテスト用に分割されました。

• 性能: 提案されたハイブリッドモデルは、79.5% の分類精度を達成しました。
• 比較: 同一のデータセットで訓練されたベースラインの3D CNNモデル（3D CNN層と単純なMLP層で構成）は、74.8% の精度を達成しました。
• 結論: 4.7%の精度の向上は、3D MLP-Mixerコンポーネントがグローバルな画像特徴を利用することによって、分類性能に効果的に寄与していることを示しています。

意義と主張
本論文は、3D CNNと3D MLP-Mixerのハイブリッドな使用が、特にすりガラス陰影や浸潤影が広範囲に発生するウイルス性肺炎において、局所的およびグローバルな特徴分析の両方を必要とする3Dボリューム分類に効果的であると主張しています。著者らは、このハイブリッド構造により、純粋なMLP-MixerやViTモデルに必要とされる膨大な訓練データセットを必要とせずに、高い精度を実現できることを強調しています。

しかし、著者らは臨床展開に関して控えめなトーンを維持しています。彼らは、モデルを臨床現場に適用する前に、分類精度のさらなる向上が必要であると述べています。著者らが特定した今後の課題には、解剖学的および強度のバリエーションを強化するためのデータ拡張の使用、国際的なデータセットの組み込み、および完全なCOVID-19 CADシステムの継続的な開発が含まれます。本論文は、現在のモデルが直ちに臨床で使用可能であることを主張しているのではなく、むしろその目標に向けた有望な一歩として提示しています。