Deep Learning aplicado al screening automático de rayos X de tórax.
Fos-Guarinos B., Alberich-Bayarri A.1,2,
Bosch-Roig I. 3, Ten-Esteve A. 2, Martí-Bonmatí L. 1,2
1 QUIBIM S.L., Valencia, Spain
2 La Fe Health Research Institute, Valencia, Spain
3 Polytechnic University of Valencia, Valencia, Spain
Índice
• Introducción
• Propuesta
• Materiales y métodos
• Resultados
• Conclusión
Introducción
Valdés P., Morales Á. (2015) Posición SERAM sobre la necesidad de informar la radiología simple. Documentos SERAM.
El 75% de las exploraciones realizadas en el área de Diagnóstico
por Imagen son radiografías, siendo las de tórax la mayoría de
ellas porque contienen información potencial de las principales
estructuras del cuerpo humano (corazón, pulmones ...).
Informar radiografías de tórax es una tarea exigente y muy
importante médicolegalmente, a veces olvidable. Por lo tanto,
queremos establecer una herramienta de detección para ayudar al
radiólogo mediante el establecimiento de un prefiltro para dar
prioridad a los anormales y facilitar la tarea de informar la
radiografía de tórax.
Propuesta
• Diseñar, desarrollar y evaluar la efectividad de un sistema de
Diagnóstico Asistido por Computador (CAD) basado en técnicas de
inteligencia artificial (deep learning) capaz de realizar
automáticamente una primera tarea de selección de radiografías de
tórax sanas y patológicas.
• Potencial de las redes neuronales convolucionales en la detección
de patologías torácicas.
Materiales y métodos
DEEP LEARNING
Una técnica de aprendizaje automático que
puede aprender representaciones útiles o
características directamente de datos como
imágenes, texto o sonido.
Nehemia A., Prasanna S. (2015). Deep Learning for Computer Vision with Matlab. MATHWORKS. Conference
MACHINE LEARNING
Un tipo de inteligencia artificial que proporciona
a los ordenadores la capacidad de aprender y
realizar ciertas tareas sin ser programados
explícitamente para hacerlo.
WORKFLOW
CNN SVM
Normal
Anormal
Preparar la base de datos
radiológica
Extracción automática de características
Entrenar un clasificador
Materiales y métodos
Materiales y métodos
• Preparar la base de datos radiológica
Indiana University (Open-I) Código JSON conteniendo los MeSH de estas imágenes.
Demner-Fushman D., et al. 2016. Preparing a collection of radiology examinations for distribution and retrieval. J Am Med Inform Assoc.
Mar;23(2):304-10.
7470 imágenes de radiografía de tórax (DICOM)
Lateral
PA
Materiales y métodos
Categoría Total
Atelectasia 293
Cardiomegalia 331
Nódulo 253
Opacidad 412
Derrame pleural 144
Categoría Total
Anormal 868
Normal 1387
TOTAL 2255
Radiografías de tórax PA
• Preparar la base de datos radiológica
Materiales y métodos
• Extracción automática de
características
AlexNet → Preentrenado en
Una vez que aprende a extraer características diferenciadoras de diferentes
tipos de imágenes, lo usamos para extraer características que diferencian
nuestras dos categorías, al igual que el cerebro humano..
Russakovsky, O., Deng, J., Su, H. et al. 2015. ImageNet Large
Scale Visual Recognition Challenge.Int J Comput Vis.
Materiales y métodos
AlexNet → Preentrenada en ImageNet
Capa de entradaKrizhevsky et al. (2012). ImageNet Classification With Deep Convolutional Neural Networks
• Extracción automática de características
Materiales y métodos
• Extracción automática de características
AlexNet → Preentrenada en ImageNet
Capas convolucionales
Krizhevsky et al. (2012). ImageNet Classification With Deep Convolutional Neural Networks
Materiales y métodos
AlexNet → Preentrenada en ImageNet
Krizhevsky et al. (2012). ImageNet Classification With Deep Convolutional Neural Networks
MACRO MICRO
Capas convolucionales
• Extracción automática de características
Materiales y métodos
AlexNet → Preentrenada en ImageNet
Capas totalmente conectadas
Krizhevsky et al. (2012). ImageNet Classification With Deep Convolutional Neural Networks
• Extracción automática de características
Materiales y métodos
Desarrollado sobre tecnología GPU (TESLA k40 de NVIDIA).
GPU Grant Program → Proyecto de investigación.
NVIDIA. https://www.nvidia.com/object/tesla-servers.html
• Extracción automática de características
Materiales y métodos
• Entrenamiento de un clasificador
Características
extraídas
automáticamente
Support Vector
Machines
Support Vector Machines. http://diggdata.in/post/94066544971/support-
vector-machine-without-tears.
80% para entrenar el clasificador
20% para test y
evaluaciónBase de datos
radiológica
455 images
1800 images
Resultados
Desarrollo de una interfaz de usuario gráfica.
Una vez que se introduce la imagen para ser clasificada, se pasa a través del
clasificador entre normales y anormales. Si detecta la imagen como normal,
esta categoría aparece en la pantalla. De lo contrario, aparte de mostrar la
categoría anómala, la imagen pasa a través de los 5 clasificadores en presencia
o no de los trastornos cardiopulmonares mencionados.
Resultados
Abnormal
vs. Normal
Atelectasis vs.
Normal
Cardiomegaly vs.
Normal
Pleural efussion
vs. Normal
Normal vs.
Nodule
Opacity vs.
Normal
Precisión 82% 82% 87% 80% 82% 82%
Sensibilidad 83% 81% 89% 86% 71% 82%
Especificidad 80% 83% 85% 75% 92% 80%
AUC 89% 90% 91% 91% 85% 88%
20% de los datos para test y evaluación del sistema (matriz de
confusión)
Sensibilidad → 83%
Especificidad → 80%
… y mejorando con más casos.
Resultados
89%91% 91%
79%
84%
91%
86%
91%90%
72%74%76%78%80%82%84%86%88%90%92%
Abnormal vs Normal Cardiomegaly vs. Normal Pleural efussion vs.Normal
AUC
COMPARACIÓN CON ESTUDIOS PREVIOS
Our project Bar et al., 2013 Bar et al., 2015
Nuestro estudio mejora o iguala los resultados alcanzados por el clasificador
entrenado similarmente en estudios previos.
Resultados
Conclusiones
• Un Sistema de diagnóstico asistido por ordenador se ha diseñado
y desarrollado (DEEPLIR) basado en redes neuronales
convolucionales, capaz de llevar a cabo automáticamente una
primera tarea de screening en radiografías de tórax sanas y
patológicas con el objetivo de solucionar los problemas que habían
motivado al desarrollo de este proyecto.
• AlexNet tiene un gran potencial de transferencia de conocimiento
a las imágenes de rayos-X de tórax. Desde ahora en adelante,
deep learning con CNNs tiene que ser considerado como el primer
candidato en cualquier tarea esencial de reconocimiento visual.
Luis Martí Bonmatí – MD, PhD. GIBI PI and QUIBIM FounderÁngel Alberich-Bayarri – PhD. GIBI Director and QUIBIM CEO
QUIBIM StaffFabio García Castro - M.ScRafa Hernández Navarro - B.ScDavid García - M.ScEncarna Sánchez - M.ScKatherine Wilisch R. - M.Sc
GIBI230 StaffEnrique Ruiz Martínez – M.ScAmadeo Ten Esteve – M.ScAna Penadés - Adm.
Internship StudentsBelén Fos GuarinosAlfredo Torregrosa LloretCarlos Moya ClaramuntAna Jiménez PastorIrene Mayorga Ruiz
Team
CSO CTO Back-End Development of Imaging Biomarkers Business Development Coordinator and
CEO support
MS BiomedicalEngineering
Clinical Trials Coord. Administration