Apoyo al diagnóstico de neumonía y detección de opacidades pulmonares usando segmentación e instancias semánticas en imágenes de rayos X de tórax
DOI:
https://doi.org/10.14482/inde.39.2.621.367Palabras clave:
aumento de datos, intersección sobre la unión, redes neuronales convolucionales, Resnet50, Sociedad Radiológica de NorteaméricaResumen
La neumonía es una enfermedad que ha causado gran cantidad de muertes a nivel mundial. Los métodos de detección de neumonía: pruebas de sangre, prueba de esputo, tomografía computarizada y las radiografías (RX) de tórax en general requieren de un médico especialista y tiempo para su análisis. El objetivo de esta investigación fue generar un modelo basado en instancias semánticas y aprendizaje profundo (Mask-RCNN) que permita el apoyo en el diagnóstico de opacidades pulmonares y neumonía. Usando 12 024 imágenes de radiografías de rayos X de tórax se realizaron 3 experimentos, en los que se variaron las condiciones de las imágenes del dataset (exp1: imágenes RX pacientes con neumonía, exp2: imágenes RX pacientes sanos y con neumonía, exp3: imágenes RX pacientes sanos y con neumonía, más data augmentation). Para los 3 experimentos se realizó un preprocesamiento de ecualización de histograma. Para evaluar el desempeño de los modelos de identificación de opacidades y clasificación de pacientes con neumonía, se utilizaron los parámetros intersección sobre la unión, precisión, recall, F1score y accuracy. Se encontró que la métrica de mejor desempeño fue recall para el experimento 1 tanto para la detección de opacidades como de neumonía.
Citas
Organizacion Mundial de la Salud, «Organizacion Mundial de la Salud,» OMS, 7 04 2019. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/pneumonia. [Último acceso: 7 04 2021].
Biblioteca Nacional de Medicina de EE. UU, «MedlinePlus,» Biblioteca Nacional de Medicina de EE. UU, 8 03 2020. [En línea]. Available: https://medlineplus.gov/spanish/ency/article/000145.htm#:~:text=Las%20formas%20como%20se%20puede,microbios%20directamente%20hacia%20los%20pulmones. [Último acceso: 7 04 2021].
Mayo Clinic, «Mayo Clinic,» 2 05 2020. [En línea]. Available: https://www.mayoclinic.org/es-es/tests-procedures/chest-x-rays/about/pac-20393494. [Último acceso: 7 04 2021].
M. I. Neuman, E. Y. Lee, . S. Bixby, S. Diperna, . J. Hellinger, R. Markowitz, S. Servaes, M. C. Monuteaux y S. S. Shah, «Variability in the interpretation of chest radiographs for the diagnosis of pneumonia in children,» Journal of hospital medicine, vol. 7, nº 4, pp. 294-298, 2012. https://doi.org/10.1002/jhm.955.
M. d. C. Expósito Gallardo y . R. Ávila Ávila, «Aplicaciones de la inteligencia artificial en la Medicina: perspectivas y problemas,» ACIMED, vol. 17, nº 5, 2008.
R. Jain, P. Nagrath, G. Kataria, S. Kaushik and D. J. Hemanth, "Pneumonia detection in chest X-ray images using convolutional neural networks and transfer learning," Measurement, vol. 165, p. 10, 21 5 2019. https://doi.org/10.1016/j.measurement.2020.108046.
X. Yu, S. HuaWang and Y. DongZhang, "CGNet: A graph-knowledge embedded convolutional neural network for detection of pneumonia," Information Processing & Management, vol. 58, no. 1, p. 25, 2021. https://doi.org/10.1016/j.ipm.2020.102411.
S. Militante y B. Sibbaluca, «Pneumonia Detection Using Convolutional Neural Networks,» Revista Internacional de Investigación Científica y Tecnológica, vol. 9, nº 04, pp. 1332-1337, 2020. https://doi.org/10.46501/ijmtst070117.
P. Rajpurkar, J. Irvin, . K. Zhu, B. Yang, H. Mehta, T. Duan, . D. Ding, A. Bagul, C. Langlotz, K. Shpanskaya, L. Matthew and A. Ng, "CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning," ArXiv, vol. 1711.05225, 2017.
Q. Guan, Y. Huang, Z. Zhong, Z. Zheng, L. Zheng and Y. Yang, "Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification," ArXiv, vol. 1801.09927, 2018.
L. Yao, E. Poblenz, D. Dagunts, B. Covington, . D. Bernard y . K. Lyman, «Learning to diagnose from scratch by exploiting dependencies among labels,» ArXiv, vol. 1710.10501, 2018.
I. Sirazitdinov, M. Kholiavchenko, T. Mustafaev, Y. Yixuan, R. Kuleev and B. Ibragimov, "Deep neural network ensemble for pneumonia localization from a large-scale chest x-ray database," Computers and Electrical Engineering, vol. 78, p. 388–399, 2019. https://doi.org/10.1016/j.compeleceng.2019.08.004.
S. Chen, Y. Han, J. Lin, X. Zhao and P. Kong, "Pulmonary nodule detection on chest radiographs using balanced convolutional neural network and classic candidate detection," Artificial Intelligence in Medicine, vol. 107, no. 101881, 07 2020. https://doi.org/10.1016/j.artmed.2020.101881.
C. Li, G. Zhu, X. Wu y Y. Wang, «False-Positive Reduction on Lung Nodules Detection in Chest Radiographs by Ensemble of Convolutional Neural Networks,» IEEE Access, vol. 6, pp. 16060-16067, 2018. https://doi.org/10.1109/ACCESS.2018.2817023.
X. Li, L. Shen and S. Luo, "A Solitary Feature-Based Lung Nodule Detection Approach for Chest X-Ray Radiographs," IEEE Journal of Biomedical and Health Informatics, vol. 22, no. 2, pp. 516-524, 2018. https://doi.org/10.1109/JBHI.2017.2661805.
Radiological Society of North America, «Kaggle,» 31 10 2018. [En línea]. Available: https://www.kaggle.com/c/rsna-pneumonia-detection-challenge. [Último acceso: 21 05 2021].
MD.ai, «Public MD.ai,» 2018. [En línea]. Available: https://public.md.ai/annotator/project/LxR6zdR2/workspace. [Último acceso: 25 08 2021].
S. Militante and B. Sibbaluca, "Pneumonia Detection Using Convolutional Neural Networks," Revista Internacional de Investigación Científica y Tecnológica, vol. 9, no. 04, pp. 1332-1337, 2020.
F. Luis, . D. Daniel y . D. Roberto, «Optimización de la ecualización del histograma en el procesamiento de imágenes digitales,» de VII Workshop de Investigadores en Ciencias de la Computación, Florencio Varela, 2005.
L. Taylor y G. Nitschke, «Improving Deep Learning using Generic Data Augmentation,» de 2018 IEEE Symposium Series on Computational Intelligence (SSCI), Bangalore, India, 2018. https://doi.org/10.1109/SSCI.2018.8628742.
K. He, G. Gkioxari, P. Dollar y R. Girshick, «Mask R-CNN,» de 2017 Proceedings of the IEEE international conference on computer vision, 2017. https://doi.org/10.1109/ICCV.2017.322.
A. K. Jaiswal, P. Tiwari, S. Kumar, D. Gupta, A. Khanna y J. Rodrigues, «Identifying pneumonia in chest X-rays: A deep learning approach,» Measurement, vol. 145, pp. 511-518, 2019. https://doi.org/10.1016/j.measurement.2019.05.076.
X. Wang, . Y. Peng, . L. Lu, . Z. Lu, M. Bagheri and . R. Summers, "ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases," in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017. https://doi.org/10.1109/CVPR.2017.369.
