💻 computer science

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

Dit artikel stelt een nieuwe 2D/3D hybride CNN-methode voor die effectief kenmerken extraheert uit anisotrope borst-CT-volumes door drie onderling loodrechte vlakken te analyseren, waarmee een classificatie-accuratesse van 83,3% voor de diagnose van COVID-19 wordt bereikt die niet-hybride modellen overtreft.

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

Gepubliceerd 2026-08-03

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen in een gigantische, driedimensionale blok gelei. Dit is niet zomaar een gelei; het is een blok data dat een menselijke borstkas vertegenwoordigt, in honderden dunne laagjes gesneden als een brood dat in plakjes is gesneden. In de wereld van de medische wetenschap wordt dit een CT-scan genoemd. Normaal gesproken kijken detectives (artsen) naar deze plakjes één voor één om aanwijzingen te vinden voor een infectie, zoals een verborgen indringer. Maar toen er een nieuw, sluipend virus over de hele wereld begon te verspreiden, waren er te veel blokken gelei om met de hand te controleren, en de detectives werden moe. Ze hadden een robothelper nodig. Hier komt "Computer-Aided Diagnosis" om de hoek kijken. Denk aan het als een superintelligent robotbrein dat naar het blok gelei kan kijken en kan zeggen: "Ik denk dat deze het virus heeft," of "Deze ziet er schoon uit." Het lastige deel is dat de gelei niet perfect van vorm is; de plakjes zijn soms dik en soms dun, wat het voor standaard robotbreinen moeilijk maakt om het hele plaatje duidelijk te zien. Dit artikel gaat over het bouwen van een nieuw soort robotbrein dat speciaal is ontworpen om met deze vreemd gevormde blokken data om te gaan.

De onderzoekers in dit artikel, onder leiding van Masahiro Oda en zijn team, wilden een betere manier creëren voor computers om automatisch het verschil te bepalen tussen borst CT-scans die waarschijnlijk COVID-19 hebben en die dat niet hebben. Ze merkten op dat de meeste standaard robotbreinen (genaamd 3D CNN's) moeite hebben wanneer de "broodplakjes" van de CT-scan ongelijk in dikte zijn. Het is alsof je een sandwich probeert te eten waarbij het brood aan de ene kant dik is en aan de andere kant papierdun; een normale hap zou de vulling volledig kunnen missen. Om dit op te lossen, hebben ze een "hybride" robotbrein uitgevonden. In plaats van alleen naar het hele 3D-blok te kijken, heeft dit nieuwe brein een speciale truc: het bekijkt het blok tegelijkertijd vanuit drie verschillende hoeken—alsof je een kubus van voren, van de zijkant en van bovenaf bekijkt. Het gebruikt platte, 2D-ogen om elke van deze hoeken afzonderlijk te scannen, waardoor details worden gevangen die een 3D-oog zou kunnen missen vanwege de ongelijke dikte van de plakjes.

Na het verzamelen van alle aanwijzingen uit deze drie verschillende aanzichten, combineert het robotbrein ze tot één krachtig begrip van de hele 3D-vorm. Vervolgens gebruikt het enkele slimme wiskundige trucs, zoals "dilated convolutions" (die fungeren als een groothoeklens om zowel kleine details als het grote geheel te zien) en "dense pooling connections" (die ervoor zorgen dat er geen belangrijke informatie verloren gaat in de chaos), om zijn uiteindelijke beslissing te nemen. Het team heeft dit nieuwe hybride brein getest op een dataset van 1.288 borst CT-volumes. Ze ontdekten dat hun nieuwe methode ongeveer 83,3% van de tijd het juiste antwoord gaf. Wanneer ze het vergeleken met een robotbrein dat niet deze speciale drie-hoeken-truc gebruikte, was de hybride versie duidelijk beter en scoorde ongeveer 79,5% nauwkeurigheid. Het artikel suggereert dat door deze 2D-ogen te gebruiken om de ongelijke plakjes te verwerken, de robot effectiever kan leren, zelfs wanneer er niet een enorme hoeveelheid trainingsdata beschikbaar is. Hoewel de auteurs opmerken dat dit een stap voorwaarts is, vermelden ze ook dat toekomstig werk nodig is om het systeem nog beter te maken en om het te transformeren tot een volwaardige tool die artsen dagelijks kunnen gebruiken om het virus te bestrijden.

Technische Samenvatting: Geautomatiseerde Classificatie van COVID-19 Gevallen uit Borst-CT-volumes met behulp van een 2D/3D Hybride CNN

Probleemstelling
De snelle wereldwijde verspreiding van het novel coronavirus disease 2019 (COVID-19) heeft gezorgd voor een aanzienlijk tekort aan mankracht in medische instellingen, wat de noodzaak voor efficiënte Computer-Aided Diagnosis (CAD) systemen vergroot. Hoewel Reverse Transcriptase Polymerase Chain Reaction (RT-PCR) de standaard diagnostische tool is, wordt de sensitiviteit hiervan naar schatting slechts tussen de 42% en 71% gerapporteerd. In tegenstelling hiermee vertoont diagnose op basis van borst-CT een sensitiviteit van ongeveer 97%, wat het een cruciaal instrument maakt voor het identificeren van virale pneumonie. Het ontwikkelen van geautomatiseerde classificatiemethoden voor CT-volumes is echter uitdagend vanwege de anisotrope aard van borst-CT-data. CT-volumes bezitten vaak variërende snijdiktes (variërend van 1,0 tot 5,0 mm), waardoor standaard 3D Convolutional Neural Networks (CNNs) met isotrope kernels (bijv. $3 \times 3 \times 3$ ) suboptimaal zijn voor feature extractie.

Methodologie
De auteurs stellen een geautomatiseerde classificatiemethode voor die gebruikmaakt van een 2D/3D hybride CNN, specifiek ontworpen om anisotrope volumes te verwerken. De verwerkingsflow bestaat uit de volgende stadia:

Pre-processing (Longvolume Generatie):
- Een geautomatiseerde segmentatiemethode wordt toegepast op het ruwe borst-CT-volume om de longregio's te isoleren, inclusief zowel normaal weefsel als infectiegebieden (bijv. ground-glass opaciteiten en consolidaties).
- De gesegmenteerde regio wordt afgeknipt en geschaald naar een vast volume van $144 \times 144 \times 144$ voxels om te dienen als het invoer-"longvolume".
2D/3D Hybride Feature Extractie:
- 2D Deel (Parallelle Feature Extractie): De eerste helft van het netwerk verwerkt het longvolume via drie parallelle flows die overeenkomen met de axiale, coronale en sagittale vlakken. In plaats van isotrope 3D kernels te gebruiken, hanteert het netwerk anisotrope convolutie-kernels die zijn afgestemd op elk vlak:
  - Axiaal vlak: $3 \times 3 \times 1$
  - Coronaal vlak: $3 \times 1 \times 3$
  - Sagittaal vlak: $1 \times 3 \times 3$
- De geëxtraheerde features uit deze drie 2D flows worden geconcateneerd.
- 3D Deel (Ruimtelijke Integratie): De gecombineerde features worden door de tweede helft van het netwerk verwerkt met behulp van 3D-convoluties en pooling. Om zowel lokale als globale ruimtelijke features te vangen, integreren de auteurs:
  - Gedilateerde Convoluties (Dilated Convolutions): Om gebruik te maken van verspreide features.
  - Dense Pooling Verbindingen: Het gebruik van mixed pooling (een combinatie van max en average pooling) in plaats van standaard max pooling om informatieverlies te verminderen en multi-schaal ruimtelijke informatie te benutten.
Classificatie:
- De laatste laag geeft een binaire classificatie uit: Hoge waarschijnlijkheid of Lage waarschijnlijkheid van een COVID-19 geval, gebaseerd op door radiologen bevestigde CT-bevindingen.

Belangrijkste Bijdragen

Nieuwe Architectuur: De introductie van een 2D/3D hybride feature extractie-flow die expliciet de anisotropie van medische CT-volumes adresseert door drie orthogonale vlakken te verwerken met vlak-specifieke kernels voordat ze in een 3D-context worden samengevoegd.
Parameter Efficiëntie: Het gebruik van 2D-gebaseerde kernels in de initiële fase vermindert het aantal trainbare parameters, wat effectieve training mogelijk maakt, zelfs met beperkte datasets.
Robuustheid tegen Variabiliteit: De methode is ontworpen om de grote variatie in de grootte van infectiegebieden en CT-waarden die bij COVID-19 gevallen worden waargenomen, evenals het onderscheid met niet-COVID-19 aandoeningen, te hanteren.

Experimentele Resultaten
De methode werd geëvalueerd op een dataset van 1.288 borst-CT-volumes verzameld uit meerdere medische instellingen in Japan. De dataset werd gesplitst in 1.030 trainingsgevallen en 258 testgevallen.

Prestaties: De voorgestelde 2D/3D hybride CNN bereikte een gemiddelde classificatienauwkeurigheid van 83,3% ± 1,8%.
Vergelijking: Een comparatief experiment werd uitgevoerd met een standaard CNN zonder het 2D hybride component (waarbij het 2D deel werd vervangen door standaard 3D-convoluties). Dit baseline-model behaalde een gemiddelde nauwkeurigheid van 79,5% ± 2,1%.
Conclusie: De resultaten tonen aan dat de 2D/3D hybride feature extractie flows bijdragen aan een meetbare verbetering in classificatienauwkeurigheid (een stijging van ongeveer 3,8 procentpunt) vergeleken met modellen die deze specifieke architectuur missen.

Betekenis en Claims
Het artikel claimt dat de voorgestelde methode effectief beeldkenmerken extraheert uit anisotrope volumes waar traditionele isotrope 3D CNNs moeite mee hebben. Door 2D vlak-specifieke verwerking te integreren met 3D ruimtelijke context, bereikt het systeem een hogere diagnostische nauwkeurigheid. De auteurs merken op dat deze architectuur niet beperkt is tot CT-volumes, maar de potentie heeft om toegepast te worden op andere typen volumetrische medische beelden. Het werk dient als een fundamentele stap naar de ontwikkeling van een volledig CAD-systeem voor COVID-19, met als doel de druk op medisch personeel te verlichten door snelle, kwantitatieve diagnostische ondersteuning te bieden. De auteurs blijven bescheiden en identificeren toekomstig werk als de introductie van verdere pre-processing stappen om de nauwkeurigheid te verbeteren en de volledige ontwikkeling van een klinisch CAD-systeem.

Meer zoals dit