Otimização de Hiperparâmetros de Redes Neurais Profundas para Detecção de Cardiomegalia em radiografias do tórax

  • Saulo Enock Rodrigues Fernandes UFMA
  • Ricardo Costa da Silva Marques UFMA
  • João Dallyson Sousa de Almeida UFMA
  • Anselmo Cardoso de Paiva UFMA
  • Geraldo Braz Júnior UFMA

Resumo


A radiografia do tórax é um dos exames mais comumente utilizados para o diagnóstico de doenças torácicas. Devido à complexidade das doenças torácicas, existe a demanda de médicos experientes e habilidosos na área para mitigar as chances de erros no diagnóstico de tais patologias. Diversas pesquisas utilizando Redes Neurais foram elaboradas para auxiliar especialistas na detecção de doenças da região do tórax como, por exemplo, a opacidade pulmonar e a pneumonia. Este trabalho apresenta uma metodologia que pretende fornecer auxílio aos profissionais da saúde no diagnóstico de doenças da região do tórax. É proposta uma abordagem baseada no balanceamento de quantidades de imagens e otimização de hiperparâmetros do modelo. Os testes foram focados na classificação da cardiomegalia e os resultados obtidos se provaram promissores alcançando 0,919 de AUC, 0,873 de acurácia, 0,842 de precisão, 0,876 de F1-Score, 0,913 de sensibilidade e 0,790 de especificidade, aproximando-se das melhores métricas presentes na literatura.

Palavras-chave: Redes Neurais Profundas, Diagnóstico de Cardiomegalia, Otimização de Hiperparâmetros

Referências

Agostoni, P., Cattadori, G., Guazzi, M., Palermo, P., Bussotti, M., and Marenzi, G. (2000). Cardiomegaly as a possible cause of lung dysfunction in patients with heart failure. American Heart Journal, 140(5):A17-A21.

Allaouzi, I. and Ahmed, M. B. (2019). A novel approach for multi-label chest x-ray classification of common thorax diseases. IEEE Access, 7:64279-64288.

Anderson, L., Dean, A., Falzon, D., Floyd, K., Baena, I., Gilpin, C., Glaziou, P., Hamada, Y., Hiatt, T., and A. Char, e. a. (2015). Global tuberculosis report 2015. World Health Organization, 20th edition.

Bellaviti, N., Bini, F., Pennacchi, L., Pepe, G., Bodini, B., Ceriani, R., D'Urbano, C., and Vaghi, A. (2016). Increased incidence of spontaneous pneumothorax in very young people: Observations and treatment. Chest Journal, 150(4):560A.

Bergstra, J., Komer, B., Eliasmith, C., Yamins, D., and Cox, D. D. (2015). Hyperopt: a python library for model selection and hyperparameter optimization. Computational Science & Discovery, 8(1):014008.

Bui, A. L., Horwich, T. B., and Fonarow, G. C. (2011). Epidemiology and risk profile of heart failure. Nature Reviews Cardiology, 8(1):30-41.

Cardenas, D., Junior, J. F., Moreno, R., Rebelo, M., Krieger, J., and Gutierrez, M. (2020). Multicenter validation of convolutional neural networks for automated detection of cardiomegaly on chest radiographs. In Anais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 179-190, Porto Alegre, RS, Brasil. SBC.

Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 1251-1258.

Fernandes, V., Junior, G. B., de Paiva, A. C., Silva, A. C., and Gattass, M. (2021). Bayesian convolutional neural network estimation for pediatric pneumonia detection and diagnosis. Computer Methods and Programs in Biomedicine, 208:106259.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. CoRR, abs/1512.03385.

Huang, G., Liu, Z., and Weinberger, K. Q. (2016). Densely connected convolutional networks. CoRR, abs/1608.06993.

Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., Marklund, H., Haghgoo, B., Ball, R., Shpanskaya, K., Seekins, J., Mong, D. A., Halabi, S. S., Sandberg, J. K., Jones, R., Larson, D. B., Langlotz, C. P., Patel, B. N., Lungren, M. P., and Ng, A. Y. (2019). Chexpert: A large chest radiograph dataset with uncertainty labels and expert comparison. AAAI-19/IAAI-19/EAAI-20 Proceedings, 33(1):590-597.

Pham, H. H., Le, T. T., Tran, D. Q., Ngo, D. T., and Nguyen, H. Q. (2020). Interpreting chest x-rays via cnns that exploit hierarchical disease dependencies and uncertainty labels.

Randtke, M. A., Andrews, B. P., and Mach, W. J. (2015). Pathophysiology and prevention of intraoperative atelectasis: A review of the literature. Journal of PeriAnesthesia Nursing, 30(6):516-527.

Silva, J. D. D. d. (2011). Repercussões da cardiomegalia na distribuição regional da ventilação na caixa torácica em indivíduos com cardiopatia chagásica crônica. Programa de Pós-Graduação em Fisioterapia, Universidade Federal de Pernambuco, Dissertação (Mestrado).

Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2015). Rethinking the inception architecture for computer vision. CoRR, abs/1512.00567.

Yang, H.-Y., Yang, J., Pan, Y., Cao, K., Song, Q., Gao, F., and Yin, Y. (2019). Learn to be uncertain: Leveraging uncertain labels in chest x-rays with bayesian neural networks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops.
Publicado
07/06/2022
FERNANDES, Saulo Enock Rodrigues; MARQUES, Ricardo Costa da Silva; ALMEIDA, João Dallyson Sousa de; PAIVA, Anselmo Cardoso de; BRAZ JÚNIOR, Geraldo. Otimização de Hiperparâmetros de Redes Neurais Profundas para Detecção de Cardiomegalia em radiografias do tórax. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 22. , 2022, Teresina. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 222-233. ISSN 2763-8952. DOI: https://doi.org/10.5753/sbcas.2022.222560.