Apoyo al diagnóstico de neumonía y detección de opacidades pulmonares usando segmentación e instancias semánticas en imágenes de rayos X de tórax

Autor: ASTUDILLO DELGADO, VICTOR MANUEL, REVELO LUNA, DAVID ARMANDO
Rok vydání: 2022
Předmět:
Zdroj: Ingeniería y Desarrollo, Volume: 39, Issue: 2, Pages: 259-274, Published: 23 APR 2022
ISSN: 2145-9371
0122-3461
Popis: Resumen 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 i2 o24 imágenes de radiografías de rayos X de tórax se realizaron 3 experimentos, en los que se variaron las condiciones de las imágenes del dataset (expi: 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 i tanto para la detección de opacidades como de neumonía. Abstract Pneumonia is a disease that has caused many deaths worldwide. Pneumonia detection methods: blood tests, sputum test, CT scan, and chest X-rays, generally require a specialist doctor for analysis. The objective of this research was to generate a model, based on semantic instances and deep learning (Mask-RCNN), that allows for support in the diagnosis of pulmonary opacities and pneumonia, using i2 o24 images of chest X-ray radiographs. 3 experiments were carried out, where the conditions of the dataset images were varied (expi: patients with pneumonia, exp2: healthy, and, also, pneumonia patients, exp3: healthy, and, also, pneumonia patients, plus data augmentation). For all 3 experiments, a histogram equalization pre-processing technique was performed. In order to evaluate the performance of the models, the parameters Intersection on the Union, Precision, Recall, Fi score, and Accuracy were used. In the identification of pulmonary opacities in the images, and for the classification of patients with pneumonia from healthy ones, Recall was found to be the best performing metric for experiment i, for both opacity and pneumonia detection.
Databáze: OpenAIRE
Externí odkaz: