マラリア原虫の微小検出精度を大幅改善――「CoSWA-YOLOv12」の仕組みと成果

「見えない敵」を見逃さない――マラリア診断AIの新アーキテクチャ

WHOの報告によれば、2023年のマラリア感染者数は2億6,300万人、死者数は59万7,000人に上り、その90%以上はサブサハラ・アフリカに集中している。流行地域での標準診断法はギムザ染色血液塗抹標本の顕微鏡観察だが、読影は熟練を要し、時間もかかる。デジタル化した標本の自動解析は、専門家が不足する地域への診断支援として期待されているが、最も危険な種である P. falciparum（熱帯熱マラリア原虫） の初期リング期は高解像度画像でも20×20ピクセル以下という極めて小さな対象であり、既存の検出器では見逃しが多い、という深刻な課題があった。

カーネギーメロン大学（キガリ校）の研究者らはこの問題に正面から取り組み、新たなモデル CoSWA-YOLOv12 を提案した。論文はarXivに公開されている。

なぜ小さな寄生虫を見逃すのか

単一ステージ検出器には、微小物体に対して不利に働く二つのメカニズムがある、と著者らは説明している。

第一に、ラベル割り当てがIoU（重なり率）に基づいているため、数ピクセルのずれだけで極小ボックスのIoUがゼロに近づき、正サンプルを確保できなくなる。第二に、ボックス回帰損失もIoUベースであり、わずかしか重ならない微小ターゲットでは勾配が非常に弱くなる。

これに対し、既存手法であるNormalized Gaussian Wasserstein Distance（NWD）はボックスをガウス分布としてモデル化することでIoUの崩壊を防ぐが、著者らは「全スケールに一律に適用すると、3〜4倍大きな寄生虫の監督が緩み、それらの検出精度が下がる」という問題を指摘する。つまり、小さな種の改善が大きな種の精度低下として「支払われる」というスケール間の利益相反が生じる。

CoSWA-YOLOv12の三つの革新

CoSWA-YOLOv12はYOLOv12のインスタンスセグメンテーションネットワークを基盤に、三つのコンポーネントを追加した構成だ。

1. スケール適応型Wasserstein割り当て（CoSWA）

中核となる機構が Cooperative Scale-adaptive Wasserstein Assignment（CoSWA） だ。各オブジェクトに対するラベル割り当てのオーバーラップ計算を、CIoUとNWDの混合値で行い、その混合比率をオブジェクトの大きさに応じて決定する。具体的には、ロジスティック関数を用いたスケールゲートにより、小さなオブジェクトほどNWDの比重が高くなり（最大ρ）、大きなオブジェクトに対しては標準のCIoUに自然に戻る。これにより、微小なP. falciparumにはWasserstein処理を集中させつつ、大型の寄生虫や白血球への悪影響を排除できると著者らは述べている。

2. ウェーブレット詳細残差（WDR）

ストライド畳み込みによるダウンサンプリングは高周波成分を破棄するが、それは微小リングを背景と区別するために必要な情報でもある。WDRでは、固定のHaarウェーブレットで抽出した高周波成分を学習可能なスカラーγで重み付けして既存の畳み込み出力に加算する。γは初期値ゼロに設定されるため、学習開始時は基準モデルと等価であり、訓練を通じて有益な場合にのみ詳細ブランチが開く設計となっている。

3. ミン・マックスガウス回帰損失（M²-NWD）

M2IoUのアイデアをWasserstein領域に拡張した損失関数。ボックスコーナーのうち、より遠い側のWasserstein類似度に高い重みを置くことで、微小スケールでの回帰をより精密に行う。Wasserstein類似度はスケール不変であるため、この項はサイズゲートなしに全オブジェクトに適用される。

転移学習との親和性（Transfer-Safety）

三つのコンポーネントはいずれも初期化時に基準モデルと数値的に等価になるよう設計されており（γ=0, ρ=0, λ=0）、公開済みのYOLOv12n事前学習済み重みをそのまま精度損失なしにロードできる。データが少ないローカル環境でも、追加機構が精度を下げることはないと著者らは説明している。

実験結果

評価にはルワンダで収集された5クラス厚層塗抹標本データセット（P. falciparum、P. malariae、P. ovale、P. vivax、白血球）を使用した。2048×2048ピクセルに統一し、1,915枚を訓練・410枚を検証・411枚をテストに分割している。クラス間のサイズ差は顕著で、P. falciparumの中央値辺長は34ピクセルに対し、WBCは100〜115ピクセルと約4倍の差がある。

訓練はNVIDIA H100 GPU 1枚で70エポック実施し、約11.4時間で完了したと報告されている。

論文で報告されている主な成果は以下のとおりだ。

• P. falciparumの再現率：0.63 → 0.74
• P. falciparumのmAP@50（マスク）：0.73 → 0.81
• P. falciparumの見逃し率：38% → 15%
• 全5クラスの検出・セグメンテーションにおいて、厳密な位置精度を測る mAP@50-95 が改善
• モデル全体の再現率とmAP@50は、ベースラインと比較してそれぞれ向上（マスク: mAP@50が0.871→0.888、再現率が0.828→0.850）

また、スケールゲートとM²-NWD損失がそれぞれ単独より組み合わせることで相乗効果を発揮することが、2×2のアブレーション実験で確認されたと著者らは述べている。

モデルサイズと推論速度

CoSWA-YOLOv12のパラメータ数は約280万で、ベースラインより約1%増加するのみ。追加コンポーネントはゼロ初期化または訓練時のみ機能するため、推論コストはベースラインと同等だ。NVIDIA A100上での2048×2048画像の推論時間は17.3ms（約58FPS）、エンドツーエンドでは19.5msと報告されており、GPUなしのDockerコンテナでのCPU動作も可能としている。エッジデプロイを想定した低リソース環境への展開を視野に入れた設計だ。

まとめ

CoSWA-YOLOv12は、「小さいオブジェクトには手厚く、大きいオブジェクトには厳密に」というスケール適応の発想を、既存の転移学習基盤を損なわない形で実現した点が技術的に注目される。著者らはマラリア顕微鏡診断への応用を主眼としているが、医療画像における微小病変検出など広範な応用が期待できるアーキテクチャといえよう。

---

出典: CoSWA-YOLOv12: Scale-Invariant Tiny Object Detection and Segmentation of Malaria Parasites