Diagnóstico de Tuberculose em Imagens de Radiografia utilizando CvT

• Carlos M. Santos Neto UFMA
• Anderson L. Silva UFMA
• Alexandre C. P. Pessoa UFMA
• Darlan B. P. Quintanilha UFMA
• João D. S. de Almeida UFMA
• Geraldo Braz Junior UFMA
• João O. B. Diniz IFMA

DOI: https://doi.org/10.5753/sbcas.2024.2224

Resumo

A tuberculose (TB) é uma das maiores causadoras de morte por doenças infecciosas. Em 2022, estimou-se que no mundo 10,6 milhões de pessoas ficaram doentes com TB. A radiografia de tórax é um exame médico não invasivo que é utilizado para detectar patologias em diversas áreas do tórax, sendo uma ferramenta crucial no diagnóstico de TB. O desenvolvimento na área de visão computacional, com a utilização de técnicas de aprendizado profundo, levou a avanços significativos na detecção automática de anormalidades em imagens radiográficas, possibilitando a existência de diagnósticos auxiliados por máquina. Neste trabalho é proposto um método para o diagnóstico de tuberculose em imagens de radiografia utilizando a rede neural Convolutional Vision Transformers. Os resultados mostram métricas relevantes, com uma acurácia de 93,13%, um F1-score de 92,68% e uma AUC-ROC de 97,16%, utilizando as bases de imagens públicas Shezen e Montgomery County. Esses resultados são superiores ao estado da arte.

Referências

Akiba, T., Sano, S., Yanase, T., Ohta, T., and Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.

Capellán-Martín, D., Gómez-Valverde, J. J., Bermejo-Peláez, D., and Ledesma-Carbayo, M. J. (2023). A lightweight, rapid and efficient deep convolutional network for chest x-ray tuberculosis detection. IEEE International Symposium on Biomedical Imaging.

Chollet, F. et al. (2015). Keras. [link].

Costa, G. S. S., Paiva, A. C., Junior, G. B., and Ferreira, M. M. (2021). Covid-19 automatic diagnosis with ct images using the novel transformer architecture. In Anais do XXI simpósio brasileiro de computação aplicada à saúde, pages 293–301. SBC.

da Silva, G. L., de Oliveira, F. Y., Diniz, J. O., Diniz, P. S., Quintanilha, D. B., Silva, A. C., de Paiva, A. C., and de Cavalcanti, E. A. (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. SBC.

Diniz, J. O., Quintanilha, D. B., de Carvalho Filho, A. O., Gomes Jr, D. L., Silva, A. C., Braz Jr, G., de Paiva, A. C., and Luz, D. d. S. (2023). Detecção de covid-19 em imagens de raio-x de tórax através de seleção automática de pré-processamento e de rede neural convolucional. In Anais do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 162–173. SBC.

Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., et al. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929.

Evangelista, L. G. C. and Guedes, E. B. (2019). Ensembles of convolutional neural networks on computer-aided pulmonary tuberculosis detection. IEEE Latin America Transactions, 17(12):1954–1963.

Islam, M. T., Aowal, M. A., Minhaz, A. T., and Ashraf, K. (2017). Abnormality detection and localization in chest x-rays using deep convolutional neural networks. arXiv preprint arXiv:1705.09850.

Jaeger, S., Candemir, S., Antani, S., Wang, Y.-X. J., Lu, P.-X., and Thoma, G. R. (2014). Two public chest x-ray datasets for computer-aided screening of pulmonary diseases. Quantitative imaging in medicine and surgery.

Lin, T.-Y., Goyal, P., Girshick, R., He, K., and Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision, pages 2980–2988.

Mahbub, M. K., Biswas, M., Gaur, L., Alenezi, F., Alenezi, F., and Santosh, K. C. (2022). Deep features to detect pulmonary abnormalities in chest x-rays due to infectious diseasex: Covid-19, pneumonia, and tuberculosis. Information Sciences.

Munzlinger, C., Yepes, I., and Rieder, R. (2023). Uso de uma rede neural convolucional para análise de exames de radiografia de pulmão com detecção de covid-19, pneumonia e tuberculose. In Anais Estendidos do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 25–30, Porto Alegre, RS, Brasil. SBC.

Murphy, K., Habib, S. S., Zaidi, S. M. A., Khowaja, S., Khan, A., Melendez, J., Scholten, E. T., Amad, F., Schalekamp, S., Verhagen, M., et al. (2020). Computer aided detection of tuberculosis on chest radiographs: An evaluation of the cad4tb v6 system. Scientific reports, 10(1):5492.

Pande, T., Pai, M., Khan, F. A., and Denkinger, C. M. (2015). Use of chest radiography in the 22 highest tuberculosis burden countries. European Respiratory Journal.

Pasa, F., Golkov, V., Pfeiffer, F., Cremers, D., and Pfeiffer, D. (2019). Efficient deep network architectures for fast chest x-ray tuberculosis screening and visualization. Scientific reports, 9(1):6268.

Siracusano, G., La Corte, A., Gaeta, M., Cicero, G., Chiappini, M., and Finocchio, G. (2020). Pipeline for advanced contrast enhancement (pace) of chest x-ray in evaluating covid-19 patients by combining bidimensional empirical mode decomposition and contrast limited adaptive histogram equalization (clahe). Sustainability, 12(20):8573.

World Health Organization (2016). Chest radiography in tuberculosis detection: summary of current WHO recommendations and guidance on programmatic approaches. World Health Organization.

World Health Organization (2023). Global tuberculosis report.

Wu, H., Xiao, B., Codella, N., Liu, M., Dai, X., Yuan, L., Liu, Y., and Zhang, L. (2021). Cvt: Introducing convolutions to vision transformers.

Yang, F., Lu, P. X., Deng, M., Wáng, Y. X. J., Rajaraman, S., Xue, Z., Folio, L. R., Antani, S. K., and Jaeger, S. (2022). Annotations of lung abnormalities in the shenzhen chest x-ray dataset for computer-aided screening of pulmonary diseases. Data, 7(7).