Detección de neumonía utilitzando modelos de deep learning en radiografías

Abstract

La neumonía es una enfermedad infecciosa provocando inflamación a uno o ambos pulmones, siendo la causa general más común de muerte en los países con servicios médicos insuficientes. También es una de las principales causas de muerte entre niños y ancianos. Por lo que resulta necesario su diagnóstico precoz. El diagnóstico suele realizarse mediante las radiografías de rayos x de los pulmones, en la que las redes neuronales convolucionales (CNN) gracias a su capacidad de reconocimiento de imágenes, puede resultar una herramienta complementaria muy útil para su detección. Proponer modelos de aprendizaje profundo eficientes y el estudio de las CNN para detectar y clasificar la neumonía es el objetivo principal de este trabajo. En este documento se desarrollan cinco modelos para la detección de neumonía a partir de imágenes de rayos x; dos modelos propuestos entrenados desde cero (uno sin aumento de datos y otro con aumento de datos) y tres modelos previamente entrenados usando la transferencia de aprendizaje, VGG16, MobileNetV2 y ResNetV2. Los modelos se implementan y evalúan utilizando Python. Los dataset usados en el modelo fueron de dos tipos: uno para clasificación binaria (normal y neumonía) y otro para clasificación multiclase (normal, neumonía bacteriana y neumonía viral). Como métricas de evaluación se uso el valor de la precisión y perdida obtenidos de cada entrenamiento, la matriz de confusión y el método Grad-CAM. Los resultados demuestran que el aumento de datos y la transferencia de aprendizaje mejoran la precisión, siendo el modelo que usa la CNN preentrenada de MobileNetV2 el que obtiene mejores resultados con un 88,46% en la precisión con imágenes de su propio dataset, siendo similar en este caso a los otros modelos, pero con un 92,54% de precisión en la evaluación con imágenes de otro dataset habiendo una diferencia significativa al resto de modelos en la clasificación binaria. Los modelos en la clasificación multiclase obtuvieron buenos resultados en la evaluación con su propio dataset, obteniendo cerca del 80% de precisión, mientras que, en la evaluación con otro dataset, el resultado más elevado fue de MobileNetV2 con 56,01%, por lo que se considera que, en este tipo de clasificación, los modelos no realizan una clasificación adecuada. Se determinó que los modelos en la evaluación de la clasificación binaria son adecuados para clasificar pacientes normales de pacientes con neumonía, por lo que el modelo podría ayudar a los profesionales de la salud en el diagnostico de neumonía. Sin embargo, los resultados obtenidos por diferentes investigadores, muestra que se puede obtener resultados más significativos por lo que a futuro se podría mejorar los modelos usando diferentes técnicas de aprendizaje profundo, una mayor cantidad de imágenes de radiografías y probar diferentes métricas dentro del modelo.

Pneumonia is an infectious disease causing inflammation of one or both lungs, and is the most common overall cause of death in countries with insufficient medical services. It is also one of the leading causes of death among children and the elderly. Therefore, its early diagnosis is necessary. The diagnosis is usually made by x-rays of the lungs, in which convolutional neural networks (CNN) thanks to its image recognition capacity, can be a very useful complementary tool for its detection. Proposing efficient deep learning models and the study of CNNs to detect and classify pneumonia is the main objective of this work. In this document, five models are developed for the detection of pneumonia from x-ray images; two proposed models trained from scratch (one without data augmentation and one with data augmentation) and three models previously trained using transfer learning, VGG16, MobileNetV2, and ResNetV2. The models are implemented and evaluated using Python. The dataset used in the model were of two types: one for binary classification (normal and pneumonia) and another for multiclass classification (normal, bacterial pneumonia, and viral pneumonia). As evaluation metrics, the value of precision and loss accuracy obtained from each training, the confusion matrix and the Grad-CAM method were used. The results show that the increase in data and the transfer of learning improve precision, being the model that uses the MobileNetV2 pretrained CNN the one that obtains better results with 88.46% in precision with images of its own dataset, being similar in in this case to the other models, but with 92.54% accuracy in the evaluation with images from another dataset, with a significant difference to the rest of the models in the binary classification. The models in the multiclass classification obtained good results in the evaluation with their own dataset, obtaining close to 80% accuracy, while, in the evaluation with another dataset, the highest result was MobileNetV2 with 56.01%, therefore It is considered that, in this type of classification, the models do not carry out an adequate classification. It was determined that the models in the evaluation of the binary classification are adequate to classify normal patients from patients with pneumonia, so the model could help health professionals in the diagnosis of pneumonia. However, the results obtained by different researchers show that more significant results can be obtained, so that in the future the models could be improved using different deep learning techniques, a greater number of x-ray images and testing different metrics within the model.