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