Análise comparativa entre algoritmos de aprendizagem de máquina em classificação de imagens de radiografia no auxílio ao diagnóstico de pneumonia
Resumo
A pneumonia é uma doença que assola grande parte da população mundial, sendo o diagnóstico realizado por meio da análise de imagens de raio x do tórax por um especialista. Nesse sentido, o uso de algoritmos de aprendizagem de máquina para realizar a classificação dessas imagens pode auxiliar no diagnóstico da doença. Neste trabalho é apresentado uma análise comparativa do desempenho das técnicas clássicas k-vizinhos mais próximos, random forest, perceptron multicamadas, bem como do estado da arte, as redes neurais convolucionais na classificação de 5856 imagens da base de dados chest x-ray images (pneumonia) como normal ou pneumonia. A rede neural convolucional apresentou o melhor desempenho com acurácia de 88,14%.
Referências
Altman, N. S. (1992). An introduction to kernel and nearest-neighbor nonparametric regression. The American Statistician, 46(3):175–185.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32.
Cardoso, A. M. (2010). A persistência das infecções respiratórias agudas como problema de saúde pública.
Chollet, F. et al. (2015). Keras. https://keras.io.
Cover, T. M., Hart, P. E., et al. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1):21–27.
DATASUS (2010). Óbitos por causas evitáveis de 5 a 74 anos - brasil. Disponível em: http://tabnet.datasus.gov.br/cgi/tabcgi.exe?sim/cnv/evitb10uf.def. Acesso em: 05 fev 2019.
de Olanda Ferraz, R., Oliveira-Friestino, J. K., and Francisco, P. M. S. B. (2017). Tendência de mortalidade por pneumonia nas regi˜oes brasileiras no período entre 1996 e 2012. Jornal Brasileiro de Pneumologia, 43(4):274–279.
Fernández-Delgado, M., Cernadas, E., Barro, S., and Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? The Journal of Machine Learning Research, 15(1):3133–3181.
FioCruz, A. (2013). Pneumonia. Disponível em: https://agencia.fiocruz.br/pneumonia. Acesso em: 05 fev 2019.
Haykin, S. (2007). Redes neurais: princípios e prática. Bookman Editora.
Hernández Millán, R., Mendoza-Moreno, M., Portocarrero López, L. M., and Castro- Romero, A. (2018). Comparative study of machine learning supervised techniques for image classification using an institutional identification documents dataset. In 2018 Congreso Internacional de Innovación y Tendencias en Ingeniería (CONIITI), pages 1–6.
Kermany, D. S., Goldbaum, M., Cai,W., Valentim, C. C., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172(5):1122–1131.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., Van Der Laak, J. A., Van Ginneken, B., and S´anchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42:60–88.
Nielsen, M. A. (2015). Neural networks and deep learning, volume 25. Determination press USA.
Oliveira, L. L. G., e Silva, S. A., Ribeiro, L. H. V., de Oliveira, R. M., Coelho, C. J., and Andrade, A. L. S. (2008). Computer-aided diagnosis in chest radiography for detection of childhood pneumonia. International journal of medical informatics, 77(8):555–564.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Provost, F. and Kohavi, R. (1998). Glossary of terms. Journal of Machine Learning, 30(2-3):271–274.
Russell, S. J. and Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited,.
Sainath, T. N., Mohamed, A.-r., Kingsbury, B., and Ramabhadran, B. (2013). Deep convolutional neural networks for lvcsr. In 2013 IEEE international conference on acoustics, speech and signal processing, pages 8614–8618. IEEE.
Sarria, E., Fischer, G. B., Lima, J. A., Barreto, S. S. M., Flôres, J. A., and Sukiennik, R. (2003). Concordância no diagnóstico radiológico das infecções respiratórias agudas baixas em crianças. J Pediatr (Rio J), 79(6):497–503.
Sisodia, P. S., Tiwari, V., and Kumar, A. (2014). A comparative analysis of remote sensing image classification techniques. In 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), pages 1418–1421. IEEE.
Sousa, R. T., Marques, O., Curado, G. T., da Costa, R. M., Soares, A. S., Soares, F. A., and de Oliveira, L. L. (2014). Evaluation of classifiers to a childhood pneumonia computer-aided diagnosis system. In 2014 IEEE 27th International Symposium on Computer-Based Medical Systems, pages 477–478. IEEE.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Wasserman, P. D. and Schwartz, T. (1988). Neural networks. ii. what are they and why is everybody so interested in them now? IEEE Expert, 3(1):10–15.
Breiman, L. (2001). Random forests. Machine Learning, 45(1):5–32.
Cardoso, A. M. (2010). A persistência das infecções respiratórias agudas como problema de saúde pública.
Chollet, F. et al. (2015). Keras. https://keras.io.
Cover, T. M., Hart, P. E., et al. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1):21–27.
DATASUS (2010). Óbitos por causas evitáveis de 5 a 74 anos - brasil. Disponível em: http://tabnet.datasus.gov.br/cgi/tabcgi.exe?sim/cnv/evitb10uf.def. Acesso em: 05 fev 2019.
de Olanda Ferraz, R., Oliveira-Friestino, J. K., and Francisco, P. M. S. B. (2017). Tendência de mortalidade por pneumonia nas regi˜oes brasileiras no período entre 1996 e 2012. Jornal Brasileiro de Pneumologia, 43(4):274–279.
Fernández-Delgado, M., Cernadas, E., Barro, S., and Amorim, D. (2014). Do we need hundreds of classifiers to solve real world classification problems? The Journal of Machine Learning Research, 15(1):3133–3181.
FioCruz, A. (2013). Pneumonia. Disponível em: https://agencia.fiocruz.br/pneumonia. Acesso em: 05 fev 2019.
Haykin, S. (2007). Redes neurais: princípios e prática. Bookman Editora.
Hernández Millán, R., Mendoza-Moreno, M., Portocarrero López, L. M., and Castro- Romero, A. (2018). Comparative study of machine learning supervised techniques for image classification using an institutional identification documents dataset. In 2018 Congreso Internacional de Innovación y Tendencias en Ingeniería (CONIITI), pages 1–6.
Kermany, D. S., Goldbaum, M., Cai,W., Valentim, C. C., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172(5):1122–1131.
Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., Van Der Laak, J. A., Van Ginneken, B., and S´anchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical image analysis, 42:60–88.
Nielsen, M. A. (2015). Neural networks and deep learning, volume 25. Determination press USA.
Oliveira, L. L. G., e Silva, S. A., Ribeiro, L. H. V., de Oliveira, R. M., Coelho, C. J., and Andrade, A. L. S. (2008). Computer-aided diagnosis in chest radiography for detection of childhood pneumonia. International journal of medical informatics, 77(8):555–564.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825–2830.
Provost, F. and Kohavi, R. (1998). Glossary of terms. Journal of Machine Learning, 30(2-3):271–274.
Russell, S. J. and Norvig, P. (2016). Artificial intelligence: a modern approach. Malaysia; Pearson Education Limited,.
Sainath, T. N., Mohamed, A.-r., Kingsbury, B., and Ramabhadran, B. (2013). Deep convolutional neural networks for lvcsr. In 2013 IEEE international conference on acoustics, speech and signal processing, pages 8614–8618. IEEE.
Sarria, E., Fischer, G. B., Lima, J. A., Barreto, S. S. M., Flôres, J. A., and Sukiennik, R. (2003). Concordância no diagnóstico radiológico das infecções respiratórias agudas baixas em crianças. J Pediatr (Rio J), 79(6):497–503.
Sisodia, P. S., Tiwari, V., and Kumar, A. (2014). A comparative analysis of remote sensing image classification techniques. In 2014 International Conference on Advances in Computing, Communications and Informatics (ICACCI), pages 1418–1421. IEEE.
Sousa, R. T., Marques, O., Curado, G. T., da Costa, R. M., Soares, A. S., Soares, F. A., and de Oliveira, L. L. (2014). Evaluation of classifiers to a childhood pneumonia computer-aided diagnosis system. In 2014 IEEE 27th International Symposium on Computer-Based Medical Systems, pages 477–478. IEEE.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Wasserman, P. D. and Schwartz, T. (1988). Neural networks. ii. what are they and why is everybody so interested in them now? IEEE Expert, 3(1):10–15.
Publicado
09/04/2019
Como Citar
FERREIRA, Anderson; CAVALCANTE, Rodolfo.
Análise comparativa entre algoritmos de aprendizagem de máquina em classificação de imagens de radiografia no auxílio ao diagnóstico de pneumonia. In: ESCOLA REGIONAL DE COMPUTAÇÃO BAHIA, ALAGOAS E SERGIPE (ERBASE) , 2019, Ilhéus.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 245-254.
