Reconhecimento automático de padrões radiológicos utilizando aprendizado profundo

Abstract

Resumo: Doenças Pulmonares Intersticiais (DPIs) envolvem vários padrões anormais observados em exames de Tomografia Computadorizada de Alta Resolução (TCAR). A caracterização automatizada desses padrões é um componente essencial de um sistema de auxílio ao diagnóstico por computador (CAD) no estudo de DPIs. A escolha e otimização de descritores de características influencia notavelmente na construção e representação de conhecimento pelo computador, a qual, se não for eficiente, compromete a precisão de um sistema CAD. Nesse contexto, técnicas de aprendizagem profunda contornam a necessidade da escolha manual de descritores de características, uma vez que aprendem características diretamente dos dados de treinamento. Neste trabalho, é investigada a eficiência de métodos baseados em aprendizagem profunda para localizar vários padrões de DPIs. A primeira etapa explora e avalia a eficiência da classificação de Regiões de Interesse (ROIs) manualmente delimitadas com Redes Neurais Convolucionais (CNNs) e o uso das técnicas de transferência de aprendizagem e produção de dados sintéticos. A segunda fase propõe a utilização do algoritmo de detecção e classificação de objetos, Faster R-CNN, em conjunto com as técnicas anteriormente citadas, e aplicadas a imagens de inteiras de TCAR, sem a necessidade de segmentação prévia de ROIs. Os resultados obtidos na classificação de blocos de imagens de TCAR atingiram uma precisão de 90,95% com o uso da rede GoogleNet. Na detecção de imagens inteiras de TCAR com a Faster R-CNN o melhor resultado apresentou uma precisão média de detecção (mAP) de 53.9%, também utilizando a arquitetura da rede GoogleNet, a qual, detectou a classe enfisema com um AP de 72.3% e a classe fibrose com AP de 74.5%. Em diferentes configurações, a Faster R-CNN apresentou os melhores valores de AP por classe de 78.4%, 72.3%, 37.6%, 95.4% e 57.4% para os padrões normal, enfisema, vidro-fosco, fibrose e micronódulos, respectivamente. Em um comparativo com a literatura existente, os resultados são próximos aos melhores resultados observados no estado da arte que utilizam a mesma base de dados.

Abstract: Interstitial Lung Diseases (ILD) present a variety of abnormal imaging patterns that can be observed in High Resolution Computed Tomography (HRCT). The automated recognition of such imaging patterns is an essential component of Computer Aided Diagnosis (CAD) systems in ILD studies. The selection and optimization of features extractors noticeably influences the construction and representation of knowledge by the computer, which if not done adequately may compromise the CAD systems accuracy. In such a context, deep learning techniques outline the need of a manual selection of features extractors, since they allow the system to recognize and learn features directly from training sample data. This paper researches the effectiveness of methods based on deep learning for identifying several ILD patterns. The effectiveness of identification of Regions of Interest (ROIs) manually delimited with Convolutional Neural Networks (CNNs) and the use of transfer learning and data augmentation techniques are explored and evaluated in the first part. Following, the use of previously mentioned techniques within Faster R-CNN framework to detect and classify ILDs in full HRCT images without performing previous ROI field segmentation is proposed. In this framework the classification results for the HRCT patch-based image representation obtained a recognition rate of 90.95% with the GoogleNet network. When using Faster R-CNN to detect full HRCT images the best result achieved a mean average precision (mAP) of 53.9% on GoogleNet network. The model achieved mAP values of 72.3% and 74.5% on the classes emphysema and fibrosis, respectively. In different scenarios the proposed algorithm performed highest AP values per class of 78.4%, 72.3%, 37.6%, 95.4% and 57.4% for normal, emphysema, ground-glass, fibrosis and micronodules, respectively. When compared with existing researches using the same database, the obtained results are similar to the most effective techniques that can be observed in the state-of-the-art systems.