DETEKCIJA COVID-19 SLUČAJEVA SA RTG SNIMAKA UPOTREBOM DUBOKIH NEURONSKIH MREŽA

Stefan Orčić

doi:10.24867/16OI04Orcic

Stefan Orčić

DOI: https://doi.org/10.24867/16OI04Orcic

Ključne reči: klasifikacija COVID-19, konvolucione neuronske mreže, duboko učenje

Apstrakt

Pandemija COVID-19 ima razarajući efekat na zdravlje stanovništva širom sveta. Zbog toga je presudni korak, u borbi protiv ove pandemije, kontrola širenja bolesti. Kapacitet i kvalitet laboratorijskog ispitivanja je izazovni zadatak, pa alternativne metode ispitivanja igraju značajnu ulogu u ovoj borbi. Na osnovu toga, jedan od novih pristupa oslanja se na analizu radiološkog snimanja pomoću radiografije grudnog koša za dijagnozu, procenu i proveru stadijuma infekcije COVID-19. Razvoj automatizovanog alata koji će koristiti veliki broj rendgenskih zraka za klasifikaciju bio bi od velike važnosti kada bi se obuhvatio veliki broj slučajeva. Prethodnih godina, savremene arhitekture revolucionarnih konvolutivnih neuronskih mreža pokazale su izvanredne rezultate u brojnim zadacima medicinske klasifikacije. Motivisani ovim, eksperimenti izvedeni u ovom radu analiziraju njihovu upotrebu u zadatku otkrivanja slučajeva COVID-19 klasifikacijom rendgenskih fotografija, uz primenu strategije prenosnog učenja (engl. transfer learning) na unapred obučenoj ImageNet mreži, uz upotrebu različitih tehnika pred-procesiranja (engl. pre-processing). Rezultati predstavljeni u ovom radu zaključuju da bi duboke konvolucione neuronske mreže mogle izvući radiološke vizuelne karakteristike koje su u korelaciji sa biomarkerima koji su povezani u slučajevima COVID-19 sa velikom tačnošću.

Reference

[1] Lauer, S. A., Grantz, K. H., Bi, Q., Jones, F. K., Zheng, Q., Meredith, H. R., ... & Lessler, J. (2020). The incubation period of coronavirus disease 2019 (COVID-19) from publicly reported confirmed cases: estimation and application. Annals of internal medicine, 172(9), 577-582.
[2] Mehta, P., McAuley, D. F., Brown, M., Sanchez, E., Tattersall, R. S., Manson, J. J., & HLH Across Speciality Collaboration. (2020). COVID-19: consider cytokine storm syndromes and immunosuppression. Lancet, 395(10229), 1033.
[3] Chung, M., Bernheim, A., Mei, X., Zhang, N., Huang, M., Zeng, X., ... & Jacobi, A. (2020). CT imaging features of 2019 novel coronavirus (2019- nCoV). Radiology, 295(1), 202-207.
[4] Bar, Y., Diamant, I., Wolf, L., & Greenspan, H. (2015, March). Deep learning with non-medical training used for chest pathology identification. In Medical Imaging 2015: Computer-Aided Diagnosis (Vol. 9414, p. 94140V). International Society for Optics and Photonics.
[5] Bar, Y., Diamant, I., Wolf, L., Lieberman, S., Konen, E., & Greenspan, H. (2015, April). Chest pathology detection using deep learning with non-medical training. In 2015 IEEE 12th international symposium on biomedical imaging (ISBI) (pp. 294-297). IEEE.
[6] Greenspan, H., Van Ginneken, B., & Summers, R. M. (2016). Guest editorial deep learning in medical imaging: Overview and future promise of an exciting new technique. IEEE Transactions on Medical Imaging, 35(5), 1153-1159.
[7] Tartaglione, E., Barbano, C. A., Berzovini, C., Calandri, M., & Grangetto, M. (2020). Unveiling COVID-19 from Chest X-ray with deep learning: a hurdles race with small data. arXiv preprint arXiv:2004.05405.
[8] ChestXRay2017, https://data.mendeley.com/datasets/rscbjbr9sj/2/files/f12eaf6d6023-432f-acc9-80c9d7393433 (pristupljeno u julu 2020.)
[9] Bloice, M. D., Roth, P. M., & Holzinger, A. (2019). Biomedical image augmentation using Augmentor. Bioinformatics, 35(21), 4522-4524.
[10] He, K., Zhang, X., Ren, S. and Sun, J., 2016. Deep Residual Learning for Image Recognition.
[11] COVID-Net Open Source Initiative, https://github.com/lindawangg/COVID-Net (pristupljeno u julu 2020.)