Desenvolvimento de um método automatizado para classificação de pneumonia em imagens de raio-x via aprendizagem profunda
Data
2022-01-31
Autores
Santos, Matheus Augusto de Castro 
Orientadores
Berton, Lilian
Tipo
Trabalho de conclusão de curso
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Este trabalho tem como objetivo o desenvolvimento de um método automatizado para detecção de pneumonias, como a Covid-19, em pacientes por meio da análise de imagens radiográficas utilizando aprendizagem profunda. Atualmente, na área da saúde, uma grande quantidade de informações é gerada diariamente possibilitando a criação de ferramentas empregando os conceitos de Aprendizado de Máquina que auxiliam a tomada de decisão clínica dos profissionais. Além disso, devido ao cenário atual que estamos vivenciando por conta da pandemia de Covid-19, se tornou imprescindível o desenvolvimento de ferramentas que possam auxiliar no diagnóstico dessa nova doença. Como uma maneira de auxiliar o diagnóstico de pneumonia, neste projeto foram pesquisados conjuntos de imagens radiográficas da região torácica de pacientes com pneumonia, com Covid-19 e pacientes saudáveis. Essas imagens foram então utilizadas no treinamento de redes neurais convolucionais, como a VGG, ResNET50 e EfficientNet, de maneira a identificar se o indivíduo apresenta uma enfermidade, e em caso positivo diferenciar a Covid-19 das demais pneumonias. Por meio dos experimentos realizados com as redes foi possível alcançar resultados bastantes promissores. Na classificação ternária, as redes EfficentNet B0 e VGG16 alcançaram acurácias de 95% e 94%, respectivamente, utilizando o método holdout para avaliação. Já nos experimentos utilizando k-fold cross validation a VGG16 alcançou 93.9% de acurácia. Na validação utilizando um conjunto de imagens externo, as redes VGG16 e EfficientNet B0 obtiveram resultados equivalentes atingindo 95% de acurácia na classificação ternária.
This work aims to develop an automated method for detecting pneumonia, such as COVID-19, in patients through the analysis of radiographic images using deep learning. Currently, in the health area, a large amount of information is generated daily, enabling the creation of tools using Machine Learning concepts that help professionals to make clinical decisions. Furthermore, due to the current scenario that we are experiencing due to the COVID-19 pandemic, the development of tools that can help in the diagnosis of this new disease has become essential. As a way to aid the diagnosis of pneumonia, in this project, sets of radiographic images of the thoracic region of pneumonia patients, COVID-19 and healthy patients were collected. These images were then used in the training of convolutional neural networks, such as VGG, ResNET50 and EfficientNet, in order to identify whether the individual has a disease and, if so, to differentiate COVID 19 from other types of pneumonia. Through the experiments carried out with the networks, it was possible to achieve very promising results. The EfficentNet B0 and VGG16 networks achieved accuracies of 95% and 94% respectively in the ternary classification using the holdout method for evaluation. In experiments using k-fold cross validation, VGG16 reached 93.9% accuracy. In the validation using an external set of images, the VGG16 and EfficientNet B0 networks obtained equivalent results, reaching 95% of accuracy in the ternary classification.
This work aims to develop an automated method for detecting pneumonia, such as COVID-19, in patients through the analysis of radiographic images using deep learning. Currently, in the health area, a large amount of information is generated daily, enabling the creation of tools using Machine Learning concepts that help professionals to make clinical decisions. Furthermore, due to the current scenario that we are experiencing due to the COVID-19 pandemic, the development of tools that can help in the diagnosis of this new disease has become essential. As a way to aid the diagnosis of pneumonia, in this project, sets of radiographic images of the thoracic region of pneumonia patients, COVID-19 and healthy patients were collected. These images were then used in the training of convolutional neural networks, such as VGG, ResNET50 and EfficientNet, in order to identify whether the individual has a disease and, if so, to differentiate COVID 19 from other types of pneumonia. Through the experiments carried out with the networks, it was possible to achieve very promising results. The EfficentNet B0 and VGG16 networks achieved accuracies of 95% and 94% respectively in the ternary classification using the holdout method for evaluation. In experiments using k-fold cross validation, VGG16 reached 93.9% accuracy. In the validation using an external set of images, the VGG16 and EfficientNet B0 networks obtained equivalent results, reaching 95% of accuracy in the ternary classification.
Descrição
Citação
SANTOS, M. e BERTON, L., 2022. Desenvolvimento de um método automatizado para classificação de pneumonia em imagens de Raio-X via aprendizagem profunda. Trabalho de Conclusão de Curso. Universidade Federal de São Paulo.