Detecção de COVID-19 em Imagens de Raio-X de Tórax através de Seleção Automática de Pré-processamento e de Rede Neural Convolucional
Resumo
A COVID-19, mesmo com diminuição dos casos, é considerado um problema global, a detecção precoce ainda é relevante e pode ser crucial para salvar vidas. Este artigo apresenta um método para detecção automática de COVID-19 em raio-X de tórax usando seleção automática de melhoria de imagem e rede neural convolucional. O método usa pré-processamento de imagem para melhorar as características distintivas da COVID-19 em raio-X e seleciona uma rede neural convolucional para classificar as imagens. Os resultados mostram métricas relevantes com uma acurácia de 99,39% e F1 − Score de 98,71%. Essa abordagem pode ser valiosa para a triagem eficaz da doença, melhorando o tratamento e reduzindo as mortes relacionadas à COVID-19.
Referências
Apostolopoulos, I. D. and Mpesiana, T. A. (2020). Covid-19: automatic detection from x-ray images utilizing transfer learning with convolutional neural networks. Physical and Engineering Sciences in Medicine, page 1.
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.
Chollet, F. et al. (2015). Keras. https://keras.io.
Chowdhury, M. E., Rahman, T., Khandakar, A., Mazhar, R., Kadir, M. A., Mahbub, Z. B., Islam, K. R., Khan, M. S., Iqbal, A., Al Emadi, N., et al. (2020). Can ai help in screening viral and covid-19 pneumonia? Ieee Access, 8:132665–132676.
Diniz, J., Ferreira, J., Silva, G., Quintanilha, D., Silva, A., and Paiva, A. (2021). Segmentação de coração em tomografias computadorizadas utilizando atlas probabilístico e redes neurais convolucionais. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 83–94, Porto Alegre, RS, Brasil. SBC.
El-Din Hemdan, E., Shouman, M. A., and Karar, M. E. (2020). Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv, pages arXiv–2003.
Gonzalez, R. and Woods, R. (2008). Digital image processing. Pearson, Prentice Hall.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-ray images, using deep features and pso-optimized xgboost. Expert Systems with Applications, 183:115452.
Júnior, D. D., Cruz, L., Diniz, J., Júnior, G. B., and Silva, A. (2021). Classificação automática de glóbulos brancos usando descritores de forma e textura e extreme gradient boosting. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 95–106, Porto Alegre, RS, Brasil. SBC.
Narin, A., Kaya, C., and Pamuk, Z. (2020). Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849.
Organization, W. H. et al. (2020). Coronavirus disease (covid-19) technical guidance: The unity studies: Early investigations protocols. Technical report, World Health Organization.
Ozturk, T., Talo, M., Yildirim, E. A., Baloglu, U. B., Yildirim, O., and Acharya], U. R. (2020). Automated detection of covid-19 cases using deep neural networks with x-ray images. Computers in Biology and Medicine, 121:103792.
Petrosillo, N., Viceconte, G., Ergonul, O., Ippolito, G., and Petersen, E. (2020). Covid-19, sars and mers: are they closely related? Clinical Microbiology and Infection.
Rahimzadeh, M. and Attar, A. (2020). A modified deep convolutional neural network for detecting covid-19 and pneumonia from chest x-ray images based on the concatenation of xception and resnet50v2. Informatics in Medicine Unlocked, 19:100360.
Rodrigues, F., Reis, F., Veloso, M., Diniz, J., Veloso, R., and Filho, A. C. (2022). Metodologia automática para detecção de bacilos de tuberculose utilizando retinanet e modelos de cores. In Anais do XXII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 334–345, Porto Alegre, RS, Brasil. SBC.
Sethy, P. K. and Behera, S. K. (2020). Detection of coronavirus disease (covid-19) based on deep features. Preprints, 2020030300:2020.
Silva, G., Oliveira, F., Diniz, J., Diniz, P., Quintanilha, D., Silva, A., Paiva, A., and Cavalcanti, E. (2021). An automatic method for prostate segmentation on 3d mri scans using local phylogenetic indexes and xgboost. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 165–176, Porto Alegre, RS, Brasil. SBC.
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. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Zhang, J., Xie, Y., Li, Y., Shen, C., and Xia, Y. (2020). Covid-19 screening on chest x-ray images using deep learning based anomaly detection. arXiv preprint arXiv:2003.12338.
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.
Chollet, F. et al. (2015). Keras. https://keras.io.
Chowdhury, M. E., Rahman, T., Khandakar, A., Mazhar, R., Kadir, M. A., Mahbub, Z. B., Islam, K. R., Khan, M. S., Iqbal, A., Al Emadi, N., et al. (2020). Can ai help in screening viral and covid-19 pneumonia? Ieee Access, 8:132665–132676.
Diniz, J., Ferreira, J., Silva, G., Quintanilha, D., Silva, A., and Paiva, A. (2021). Segmentação de coração em tomografias computadorizadas utilizando atlas probabilístico e redes neurais convolucionais. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 83–94, Porto Alegre, RS, Brasil. SBC.
El-Din Hemdan, E., Shouman, M. A., and Karar, M. E. (2020). Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images. arXiv, pages arXiv–2003.
Gonzalez, R. and Woods, R. (2008). Digital image processing. Pearson, Prentice Hall.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Huang, G., Liu, Z., Van Der Maaten, L., and Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4700–4708.
Júnior, D. A. D., da Cruz, L. B., Diniz, J. O. B., da Silva, G. L. F., Junior, G. B., Silva, A. C., de Paiva, A. C., Nunes, R. A., and Gattass, M. (2021). Automatic method for classifying covid-19 patients based on chest x-ray images, using deep features and pso-optimized xgboost. Expert Systems with Applications, 183:115452.
Júnior, D. D., Cruz, L., Diniz, J., Júnior, G. B., and Silva, A. (2021). Classificação automática de glóbulos brancos usando descritores de forma e textura e extreme gradient boosting. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 95–106, Porto Alegre, RS, Brasil. SBC.
Narin, A., Kaya, C., and Pamuk, Z. (2020). Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849.
Organization, W. H. et al. (2020). Coronavirus disease (covid-19) technical guidance: The unity studies: Early investigations protocols. Technical report, World Health Organization.
Ozturk, T., Talo, M., Yildirim, E. A., Baloglu, U. B., Yildirim, O., and Acharya], U. R. (2020). Automated detection of covid-19 cases using deep neural networks with x-ray images. Computers in Biology and Medicine, 121:103792.
Petrosillo, N., Viceconte, G., Ergonul, O., Ippolito, G., and Petersen, E. (2020). Covid-19, sars and mers: are they closely related? Clinical Microbiology and Infection.
Rahimzadeh, M. and Attar, A. (2020). A modified deep convolutional neural network for detecting covid-19 and pneumonia from chest x-ray images based on the concatenation of xception and resnet50v2. Informatics in Medicine Unlocked, 19:100360.
Rodrigues, F., Reis, F., Veloso, M., Diniz, J., Veloso, R., and Filho, A. C. (2022). Metodologia automática para detecção de bacilos de tuberculose utilizando retinanet e modelos de cores. In Anais do XXII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 334–345, Porto Alegre, RS, Brasil. SBC.
Sethy, P. K. and Behera, S. K. (2020). Detection of coronavirus disease (covid-19) based on deep features. Preprints, 2020030300:2020.
Silva, G., Oliveira, F., Diniz, J., Diniz, P., Quintanilha, D., Silva, A., Paiva, A., and Cavalcanti, E. (2021). An automatic method for prostate segmentation on 3d mri scans using local phylogenetic indexes and xgboost. In Anais do XXI Simpósio Brasileiro de Computação Aplicada à Saúde, pages 165–176, Porto Alegre, RS, Brasil. SBC.
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. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2818–2826.
Zhang, J., Xie, Y., Li, Y., Shen, C., and Xia, Y. (2020). Covid-19 screening on chest x-ray images using deep learning based anomaly detection. arXiv preprint arXiv:2003.12338.
Publicado
27/06/2023
Como Citar
DINIZ, João O. B.; QUINTANILHA, Darlan B. P.; CARVALHO FILHO, Antonio O. de; GOMES JR, Daniel L.; SILVA, Aristófanes C.; BRAZ JR, Geraldo; PAIVA, Anselmo C. de; LUZ, Daniel de S..
Detecção de COVID-19 em Imagens de Raio-X de Tórax através de Seleção Automática de Pré-processamento e de Rede Neural Convolucional. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 23. , 2023, São Paulo/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 162-173.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2023.229576.
