Detección de presencia patológica en radiografías basada en un marco de deep learning
Resumen
l proceso de diagnóstico de las enfermedades respiratorias requiere experiencia y habilidades para evaluar las diferentes patologías que pueden desarrollarse en los pacientes. Desgraciadamente, la falta de radiólogos cualificados es un problema global que limita el diagnóstico de las enfermedades respiratorias. Por lo tanto, será útil contar con una herramienta que minimice los errores, la carga de trabajo, mejore la eficiencia y agilice el proceso de diagnóstico para brindar un mejor servicio de salud a la comunidad. Esta investigación propone una metodología para la detección de presencia patológica utilizando arquitecturas de deep learning. La presente propuesta se divide en tres tipos de experimentos. El primero evalúa el rendimiento de descriptores de características como SIFT, SURF y ORB en imágenes médicas con modelos de machine learning como introducción al último experimento. A continuación, se evalúa el rendimiento de arquitecturas de deep learning como ResNet50, Alexnet, VGG16 y LeNet. Por último, se evalúa la combinación de clasificadores de aprendizaje profundo y aprendizaje automático. Además, introducimos un nuevo conjunto de datos de rayos X de
tórax que se llama PathX_Chest y que contiene 2200 imágenes de diez clases. En contraste con el estado del arte, se obtuvieron buenos resultados en tres enfoques diferentes. Sin embargo, podemos ver que el mejor rendimiento se logró en la mezcla entre deep learning y machine learning, obteniendo una precisión del 99,99 % en la combinación de ResNet50 y el clasificador SVM. Esta metodología puede ser utilizada para desarrollar un sistema CAD con el fin de ayudar a los radiólogos permitiéndoles tener una segunda opinión y como apoyo durante el procedimiento diagnóstico.
Descargas
Citas
Bay, H., Tuytelaars, T & Van Gool, L. (2006). SURF: Speeded Up Robust Features. Retrieved from https://www.vision.ee.ethz.ch/~surf/eccv06.pdf
Davida, B. (2018). Bag of Visual Words in a Nutshell. Towards Data Science. Retrieved from https://towardsdatascience.com/bag-of-visual-words-ina-nutshell-9ceea97ce0fb
Dong, Y, Pan, Y., Zhang, J., & Xu, W. (2017) Learning to Read Chest X-Ray Images from 16000+ Examples Using CNN. IEEE/ACM International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE), 51-57.
France, K., & Jaya, A. (2019). Classification and retrieval of thoracic diseases using patch-based visual words: A study on chest x-rays. Biomedical Physics & Engineering Express. https://doi.org/10.1088/2057-1976/ab5c7c
Goodfellow, I., Bengio, Y. & Courville, A. (2016). Deep Learning. MIT Press. Retrieved from http://www.deeplearningbook.org
He, K., Zhang, X., Ren, S., & Sun, J. (2015). Deep Residual Learning for Image Recognition. Retrieve from https://www.cvfoundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_ CVPR_2016_paper.pdf
Imágenes Médicas Diagnósticas. (17 de febrero del 2017). La escasez de radiólogos a nivel mundial. https://www.grupoimd.com.co/blog/escacezradiologos-mundial/Kreisman
Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. Retrieved from https://papers.nips.cc/paper/4824-imagenet-classification-with-deepconvolutional-neural-networks.pdf
Lowe, D. (2004). Distinctive Image Features from Scale-Invariant Keypoints. Retrieved from: https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf
Rahman, T., Chowdhury, M.E.H., Khandakar, A., et al. (2020) Transfer Learning with Deep Convolutional Neural Network (CNN) for Pneumonia Detection Using Chest X-ray. Retrieved from https://arxiv.org/ftp/arxiv/papers/2004/2004.06578.pdf
Rahmat, T.,Ismail, A., & Sharifah, A. (2019). Chest X-ray Image Classification using Faster R-CNN. https://doi.org/10.1016/j.imu.2020.100405.
Rublee, E., Rabaud, V., Konolige, K., & Bradski, G. (2011). ORB: an efficient alternative to SIFT or SURF. Retrieved from http://www.willowgarage.com/sites/default/files/orb_final.pdf
Šarić, M., Russo, M., Stella, M. & Sikora, M. (2019). CNN-based Method for Lung Cancer Detection in Whole Slide Histopatholog y Images. 2019 4th International Conference on Smart and Sustainable Technologies (SpliTech), 1-4.Simonyan, K. & Zisserman, A. (2015). Very Deep Convolutional Networks for Large-Scale Image Recognition. Retrieved from https://arxiv.org/pdf/1409.1556.pdf
Srinivas, M., Debaditya, R., & Krishna M. (2016). Discriminative Feature Extraction from X-Ray Images Using Deep Convolutional Neural Networks. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 917-921, 10.1109/ICASSP.2016.7471809.
