A two step deep learning workflow for pumonary embolism segmentation and classification

Abstract

Resumo: Embolia pulmonar está entre as principais causas de morte no mundo todo, de acordo com o Datasus 22% dos pacientes hospitalizados por embolia pulmonar acabam falecendo, trata-se de um trombo alojado em alguma região da vascularização arterial pulmonar. Para estabelecer o tratamento adequado e reduzir a mortalidade associada é necessário um diagnóstico rápido por parte da equipe médica, atualmente a forma de diagnóstico mais utilizado é a analise de imagens de tomografia computadorizada, devido a vários fatores como a sua velocidade de aquisição, alta disponibilidade dos equipamentos que fazem a sua captura e uma alta acurácia no diagnóstico. Um exame de tomografia computadorizada é composto de centenas de imagens que requerem a atenção do radiologista, pelo número alto de dados produzidos a análise de tais exames pode ser cansativa e levar a erros de diagnóstico devido a fadiga, ainda hoje a embolia pulmonar está entre as doenças onde se há mais erros diagnósticos. Nos últimos anos alguns sistemas computacionais de auxílio ao diagnóstico foram desenvolvidos para auxiliar radiologistas na detecção de trombos, tais sistemas têm se tornado de grande ajuda para um diagnóstico mais eficaz. Deep learning tem sido um dos tópicos mais comentados na área da visão computacional ultimamente, especialmente na área do processamento de imagens médicas, mais especificamente em aplicações de detecção e reconhecimento de imagens. Isso também se aplica no auxílio ao diagnóstico de embolia pulmonar, alguns trabalhos têm atingido resultados do estado da arte utilizando modelos complexos de redes neurais, que são capazes de identificar trombos dentro das imagens geradas pela tomografia, removendo outros ruídos que podem ser vistos como um falso positivo. O objetivo deste trabalho é desenvolver uma aplicação de deep learning capaz de encontrar tromboembolismos pulmonares em imagens de tomografias computadorizadas, a robustez do modelo permitirá que detecte trombos em exames de diferente origens. Se bem sucedido, o algoritmo produzido neste trabalho será capaz de auxiliar radiologistas em um diagnóstico rápido com uma alta probabilidade de acerto. Alguns testes preliminares já mostram que modelos de deep learning são capazes de discriminar embolias pulmonares, em uma base de dados pública contendo imagens de tomografia computadorizada de pulmão a rede foi capaz de encontrar vários trombos. Com um total de 35 exames, 28 foram usados para treinar o modelo e validar seus resultados, ajustando seus hiperparâmetros de acordo com os resultados, as outras 7 imagens foram utilizadas como teste, avaliado como o sistema se comporta quando recebe dados reais, atingindo um Dice score de 0.81 e uma acurácia de 84%, apesar de já apresentar bons resultados a modelo ainda possui espaço para melhores, pois ainda há diversos métodos de otimização que costumam melhorar os resultados das arquiteturas.

Abstract: Pulmonary embolism is one of the leading causes of death all over the world, according to Datasus the mortality rate of patients hospitalized due to pulmonary embolism is 22%. To break the clot and save the patient a fast diagnosis is required, that is the reason why computer tomography is used as a means to detect embolisms. A computed tomography exam is composed of hundreds of images that require an analysis from a radiologist, due to the high number of images this process can be tiresome and can lead to errors due to fatigue, pulmonary embolism remains one of the frequent misdiagnosis due to this fact. Over the years some computed aided systems had been developed aiming to help radiologists to see some missed clot, those systems had proven to be of great aid to an even faster diagnosis. Deep learning models have been increased significantly in many computer vision problems, especially in medical imaging, in image detection and recognition. This is also true in the classification of pulmonary embolisms, some works achieve a state of the art results by applying complex neural network models that can identify a clot from a whole tomography exam and remove any potential false positive found. The purpose of this work is to develop a deep learning application that is capable of discriminate pulmonary embolisms from a whole computed tomography volume, due to the use of deep learning a robust model can be developed that can generalize the process of embolism detection in different sources of data. If successful, this work will be able to aid radiologists in a fast diagnosis of pulmonary embolisms with a high discrimination probability. Some preliminary tests show that a deep learning architecture can discriminate pulmonary embolisms, a public dataset was used for validation of this architecture and can find several clots. With a total of 35 exams, 28 were used for training the model and validating its results, tweaking the models' hyperparameters with the results, the last 7 exams were used for testing the model, simulating how it should behave in a receiving unknown data, it achieves a Dice score of 0.81 and an accuracy of 84%, even if it got a relatively good result, it got plenty of room for improvement still, since many known improvement methods can still be applied in the architecture.