CLASSIFICAÇÃO HIERÁRQUICA DE RADIOGRAFIAS DO TÓRAX COM COMITÊ DE REDES NEURAIS CONVULACIONAIS

Abstract

RESUMO: As radiografias de tórax, ou raios X de tórax, são os exames de imagem mais utilizados diariamente nos hospitais. Responsável por auxiliar na detecção de inúmeras patologias e achados que interferem diretamente na vida do paciente, esse exame é, portanto, fundamental na triagem dos pacientes. O uso de técnicas de visão computacional atrelada ao aprendizado profundo auxiliam na tomada de decisão por parte do médico radiologista, fornecendo uma segunda opinião e consequentemente reduzindo custos operacionais. Diante disso, este trabalho propõe uma metodologia hierárquica e baseada em um comitê de Redes Neurais Convolucionais (Convolutional Neural Networks - CNNs) para auxiliar no diagnóstico de exames de raios X de tórax, inicialmente rastreando-os com alta probabilidade de serem normais ou anormais e posterior detecção da patologia. No desenvolvimento da etapa de triagem deste estudo, foi utilizado um conjunto de dados com imagens de raios-X de incidências frontal e lateral. Para a construção do modelo ensemble, foram avaliadas as arquiteturas VGG-16, ResNet50, DenseNet121, MobileNetV2 e NasNetMobile comumente utilizadas na classificação de radiografias de tórax. Um Limiar de Confiança (CTR) foi usado para definir as previsões em Normal de Alta Confiança (HCn), classificação Borderline (BC) ou Anormal de Alta Confiança (HCa). Nos testes realizados, foram alcançados resultados bastante promissores: 54,63 % dos exames foram classificados com alta confiança; dos exames normais, 32% foram classificados como HCn com uma taxa de falsa descoberta (FDR) de 1,68%; e quanto aos exames anormais, 23% foram classificados como HCa com 4,91% taxa de falsas omissões (FOR). Na etapa de detecção de anormalidades, avaliamos as arquiteturas com diferentes pré-treinamentos. No entanto, o melhor resultado foi obtido com a VGG-16 pré-treinada com a base de dados proposta no desenvolvimento da triagem com 352.460 imagens. Foram utilizadas duas bases de dados para avaliar essa etapa, são elas: NIH Chest X-rays 14 com 112.120 imagens, onde foi obtida a AUC média de 0,8484 e CheXpert com 224.316 imagens com AUC média de 0,8736. Os resultados obtidos nas duas etapas desenvolvidas na metodologia proposta são promissores, ressaltando que o modelo pré-treinado na triagem e avaliado na classificação de anormalidades, apresentou o melhor resultado, ressaltando a contribuição da hierarquia na classificação dos exames. ABSTRACT: Chest radiographs, or chest X-rays, are hospitals’ most commonly used imaging tests. This test is essential in patient screening and assists in detecting numerous pathologies and findings that directly interfere with the patient’s life. Using computer vision techniques linked to deep learning assists the radiologist in decision-making, providing a second opinion and reducing operating costs. Given this, this work proposes a hierarchical methodology based on a Convolutional Neural Networks (CNNs) committee to assist in diagnosing chest X-ray exams, initially screening them with a high probability of being normal or abnormal and subsequently detecting the pathology. In the development of the screening stage of this study, a dataset with X-ray images of frontal and lateral incidences was used. The VGG-16, ResNet50, DenseNet121, MobileNetV2, and NasNetMobile architectures commonly used in chest radiograph classification were evaluated to build the ensemble model. A Confidence Threshold (CTR) was used to define the predictions in High Confidence Normal (HCn), Borderline (BC), or High Confidence Abnormal (HCa). In the tests performed, very promising results were achieved: 54.63% of the exams were classified with high confidence; of the normal exams, 32% were classified as HCn with a false discovery rate (FDR) of 1.68%; and as for the abnormal exams, 23% were classified as HCa with a false omission rate (FOR) of 4.91%. In the abnormality detection stage, we evaluated the architectures with different pre-training. However, the best result was obtained with VGG-16 pre-trained with the base used in the development of the screening. Two databases were used to evaluate this step: NIH Chest X-rays 14 with 112,120 images, with an average AUC of 0.8484, and CheXpert with 224,316 images with an average AUC of 0.8736. The results obtained in the two steps developed in the proposed methodology are promising, highlighting that the model pre-trained in screening and evaluated in the classification of abnormalities presented the best result, highlighting the contribution of the hierarchy in the classification of exams.