Classificação de Imagens de Raio-x de Torax com Reconhecimento Visual da IBM Cloud para Diagnóstico de Pneumonia
Resumo
A capacidade de aprender por meio de exemplos e formular predições são as principais características do Machine Learning, uma subárea da inteligência artificial. Existem diversos frameworks disponíveis que utilizam Machine Learning para solução dos mais variados tipos de problemas, como para reconhecer e classificar objetos em uma imagem. Utilizando os serviços fornecidos por IBM Watson Visual Recognition que emprega algoritmos de deep learning, uma subárea de Machine learning, um modelo foi criado e aplicado no dataset Chest X-Ray Images for Classification. Os resultados obtidos com o modelo criado foram comparados com a classificação geral fornecida pela IBM. Os serviços utilizados da Watson Visual Recognition são os disponibilizados para o plano do tipo Lite, um plano gratuito. Este trabalho discute como esta limitação afetou os resultados e descreve a eficiência da ferramenta nesta versão. Mesmo com as limitações o modelo obtido reconheceu corretamente um pulmão saudável em 75% das imagens de teste e classificou corretamente 93,34% das imagens de radiografias de tórax que retratam pneumonia.
Palavras-chave:
Reconhecimento Visual, IBM Cloud, Raio-X
Referências
A. L. Christiane Sporl, Emiliano G. Castro, “Aplicação de redes neurais artificiais na contrução de modelos de fragilidade ambiental,” Revista do Departamento de Geografia - USP, vol. 21, pp. 113–135, 2011.
S. S. Damaceno and R. O. Vasconcelos, “Inteligência artificial: uma breve abordagem sobre seu conceito real e o conhecimento popular,” Revista periódica Caderno de Graduação das Ciências Exatas e Tecnológicas – CGCET, vol. 5, no. 1, pp. 11–16, 2018
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org.
V. Kovalev, A. Kalinovsky, and S. Kovalev, “Deep learning with theano, torch, caffe, tensorflow, and deeplearning4j: Which one is the best in speed and accuracy?” in XIII International Conference on Pattern Recognition and Information Processing. Minsk: Publishing Center of BSU, 2016.
H. Xiao, K. Rasul, and R. Vollgraf, “Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms,” aug 2017. [Online]. Available: http://arxiv.org/abs/1708.07747
E. Santos, “O uso da ferramenta Watson na definição dos protocolos quimioterápicos.”
A. Kamilaris and F. X. Prenafeta-Boldú, "“Deep learning in agriculture: A survey,” Computers and Electronics in Agriculture, vol. 147, pp. 70–90, apr 2018. [Online]. Available: https://linkinghub.elsevier.com/
retrieve/pii/S0168169917308803
Q. Zhang, L. T. Yang, Z. Chen, and P. Li, “A survey on deep learning for big data,” Information Fusion, vol. 42, pp. 146–157, jul 2018. [Online]. Available: https://linkinghub.elsevier.com/retrieve/ pii/S1566253517305328
M. Strumpe and M. Craig, “Applying Deep Learning to Metastatic Breast Cancer Detection,” Google AI Blog, pp. 2018–2020, 2018. [Online]. Available: https://ai.googleblog.com/2018/10/applying-deep-learning-to-metastatic.html
W. Zhang, L. Yu, Y. Zhao, T. Bai, S. Song, F. Ma, and J. Su, “Chromosome Classification with Convolutional Neural Network Based Deep Learning,” 2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1–5, 2019.
P. Kiruthika, K. B. Jayanthi, and M. Nirmala, “Classification of metaphase chromosomes using deep learning neural network,” 2018 4th International Conference on Frontiers of Signal Processing, ICFSP 2018, no. c, pp. 110–114, 2018
D. S. Kermany, M. Goldbaum, W. Cai, C. C. Valentim, H. Liang, S. L. Baxter, A. McKeown, G. Yang, X. Wu, F. Yan, J. Dong, M. K. Prasadha, J. Pei, M. Ting, J. Zhu, C. Li, S. Hewett, J. Dong, I. Ziyar, A. Shi, R. Zhang, L. Zheng, R. Hou, W. Shi, X. Fu, Y. Duan, V. A. Huu, C. Wen, E. D. Zhang, C. L. Zhang, O. Li, X. Wang, M. A. Singer, X. Sun, J. Xu, A. Tafreshi, M. A. Lewis, H. Xia, and K. Zhang, “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning,” Cell, vol. 172, no. 5, pp. 1122–1131.e9, feb 2018. [Online]. Available: https://linkinghub.elsevier.com/retrieve/pii/S0092867418301545
L. S. Marques, R. R. Magalhães, and D. D. Ferreira, “Inteligência computacional aplicada à detecçãao de câncer de mama,” Revista Brasileira de Computação Aplicada, vol. 11, no. 1, pp. 28–35, apr 2019. [Online]. Available: http://seer.upf.br/index.php/rbca/article/view/8727
W. E. Fathy and A. S., “A Deep Learning Approach for Breast Cancer Mass Detection,” International Journal of Advanced Computer Science and Applications, vol. 10, no. 1, 2019.
M. Stumpe and L. Peng, “Assisting Pathologists in Detecting Cancer with Deep Learning,” Google AI Blog, pp. 1–11, 2017. [Online]. Available: https://research.googleblog.com/2017/03/ assisting-pathologists-in-detecting.html
I. W. Studio. Ibm watson visual recognition. [Online]. Available: https://www.ibm.com/br-pt/cloud/watson-visual-recognition
D. Kermany, K. Zhang, and M. Goldbaum, “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification.” [Online]. Available: https://data.mendeley.com/datasets/rscbjbr9sj/2
E. Ferneda, “Redes neurais e sua aplicação em sistemas de recuperação de informação,” Ci. Inf. [online], vol. 35, no. 1, pp. 20–35, 2006.
R. L. Stange, “Adaptatividade em aprendizagem de máquina: Conceitos e estudos de caso,” Mestrado em Engenharia Elétrica, Adaptatividade em Aprendizagem de Máquina: Conceitos e Estudos de Caso, São Paulo,
2011.
S. S. Damaceno and R. O. Vasconcelos, “Inteligência artificial: uma breve abordagem sobre seu conceito real e o conhecimento popular,” Revista periódica Caderno de Graduação das Ciências Exatas e Tecnológicas – CGCET, vol. 5, no. 1, pp. 11–16, 2018
I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org.
V. Kovalev, A. Kalinovsky, and S. Kovalev, “Deep learning with theano, torch, caffe, tensorflow, and deeplearning4j: Which one is the best in speed and accuracy?” in XIII International Conference on Pattern Recognition and Information Processing. Minsk: Publishing Center of BSU, 2016.
H. Xiao, K. Rasul, and R. Vollgraf, “Fashion-MNIST: a Novel Image Dataset for Benchmarking Machine Learning Algorithms,” aug 2017. [Online]. Available: http://arxiv.org/abs/1708.07747
E. Santos, “O uso da ferramenta Watson na definição dos protocolos quimioterápicos.”
A. Kamilaris and F. X. Prenafeta-Boldú, "“Deep learning in agriculture: A survey,” Computers and Electronics in Agriculture, vol. 147, pp. 70–90, apr 2018. [Online]. Available: https://linkinghub.elsevier.com/
retrieve/pii/S0168169917308803
Q. Zhang, L. T. Yang, Z. Chen, and P. Li, “A survey on deep learning for big data,” Information Fusion, vol. 42, pp. 146–157, jul 2018. [Online]. Available: https://linkinghub.elsevier.com/retrieve/ pii/S1566253517305328
M. Strumpe and M. Craig, “Applying Deep Learning to Metastatic Breast Cancer Detection,” Google AI Blog, pp. 2018–2020, 2018. [Online]. Available: https://ai.googleblog.com/2018/10/applying-deep-learning-to-metastatic.html
W. Zhang, L. Yu, Y. Zhao, T. Bai, S. Song, F. Ma, and J. Su, “Chromosome Classification with Convolutional Neural Network Based Deep Learning,” 2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1–5, 2019.
P. Kiruthika, K. B. Jayanthi, and M. Nirmala, “Classification of metaphase chromosomes using deep learning neural network,” 2018 4th International Conference on Frontiers of Signal Processing, ICFSP 2018, no. c, pp. 110–114, 2018
D. S. Kermany, M. Goldbaum, W. Cai, C. C. Valentim, H. Liang, S. L. Baxter, A. McKeown, G. Yang, X. Wu, F. Yan, J. Dong, M. K. Prasadha, J. Pei, M. Ting, J. Zhu, C. Li, S. Hewett, J. Dong, I. Ziyar, A. Shi, R. Zhang, L. Zheng, R. Hou, W. Shi, X. Fu, Y. Duan, V. A. Huu, C. Wen, E. D. Zhang, C. L. Zhang, O. Li, X. Wang, M. A. Singer, X. Sun, J. Xu, A. Tafreshi, M. A. Lewis, H. Xia, and K. Zhang, “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning,” Cell, vol. 172, no. 5, pp. 1122–1131.e9, feb 2018. [Online]. Available: https://linkinghub.elsevier.com/retrieve/pii/S0092867418301545
L. S. Marques, R. R. Magalhães, and D. D. Ferreira, “Inteligência computacional aplicada à detecçãao de câncer de mama,” Revista Brasileira de Computação Aplicada, vol. 11, no. 1, pp. 28–35, apr 2019. [Online]. Available: http://seer.upf.br/index.php/rbca/article/view/8727
W. E. Fathy and A. S., “A Deep Learning Approach for Breast Cancer Mass Detection,” International Journal of Advanced Computer Science and Applications, vol. 10, no. 1, 2019.
M. Stumpe and L. Peng, “Assisting Pathologists in Detecting Cancer with Deep Learning,” Google AI Blog, pp. 1–11, 2017. [Online]. Available: https://research.googleblog.com/2017/03/ assisting-pathologists-in-detecting.html
I. W. Studio. Ibm watson visual recognition. [Online]. Available: https://www.ibm.com/br-pt/cloud/watson-visual-recognition
D. Kermany, K. Zhang, and M. Goldbaum, “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification.” [Online]. Available: https://data.mendeley.com/datasets/rscbjbr9sj/2
E. Ferneda, “Redes neurais e sua aplicação em sistemas de recuperação de informação,” Ci. Inf. [online], vol. 35, no. 1, pp. 20–35, 2006.
R. L. Stange, “Adaptatividade em aprendizagem de máquina: Conceitos e estudos de caso,” Mestrado em Engenharia Elétrica, Adaptatividade em Aprendizagem de Máquina: Conceitos e Estudos de Caso, São Paulo,
2011.
Publicado
28/10/2019
Como Citar
DE OLIVEIRA, Raianny Proença de Camargo; SGANDERLA, Guilherme Rodrigues; MAURÍCIO, Claudio Roberto Marquetto; PERES, Fabiana Frata Furlan.
Classificação de Imagens de Raio-x de Torax com Reconhecimento Visual da IBM Cloud para Diagnóstico de Pneumonia. In: WORKSHOP DE TRABALHOS DA GRADUAÇÃO - CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES (SIBGRAPI), 32. , 2019, Rio de Janeiro.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2019
.
p. 203-206.
DOI: https://doi.org/10.5753/sibgrapi.est.2019.8330.
