El uso de rayos X para el diagnóstico de enfermedades está ampliamente extendido, debido a que la captura de una radiografía es una prueba rápida e indolora cuyos beneficios superan enormemente cualquier riesgo asociado a este tipo de radiación. No obstante, la interpretación de las imágenes radiográficas por parte de los radiólogos puede suponer un verdadero reto, especialmente cuando se trata de la zona torácica. La detección de anomalías en estas imágenes de rayos X ayudada por computadores podría ofrecer una valiosa segunda opinión a los radiólogos, ayudando a reducir la presión que es ejercida sobre ellos e incluso ayudando a mejorar los diagnósticos en zonas rurales con pocos recursos. Este Trabajo de Fin de Grado propone un sistema de detección automática de anomalías en radiografías de tórax mediante la utilización de técnicas de ciencia de datos e inteligencia artificial con el fin de ayudar en el diagnóstico de enfermedades como la dilatación aórtica, el engrosamiento pleural o la fibrosis pulmonar, entre otras. Para ello, se propone utilizar un ensamble de modelos de aprendizaje automático profundo para la detección de objetos, que son entrenados con un conjunto de imágenes radiográficas de tórax etiquetadas por expertos radiólogos. La metodología comprende el preprocesamiento de tanto los datos médicos como las imágenes incluidas en ellos, el entrenamiento de los modelos de detección de objetos, la validación y evaluación de dichos modelos utilizando métricas estándar, y la interpretación de los resultados mediante análisis y casos de estudio. El sistema ha demostrado ser capaz de detectar hasta cuatro patologías torácicas, especialmente mostrando un mejor rendimiento en la detección de la aneurisma aórtica y la cardiomegalia, logrando un F1-Score de entorno 0.84 en ambas clases.
ABSTRACT
The use of X-rays for disease diagnosis is widely spread, as capturing a radiograph is a quick and painless test whose benefits far outweigh any associated risks with this type of radiation. However, the interpretation of radiographic images by radiologists can pose a real challenge, especially when it comes to the thoracic area. Computer-aided detection of abnormalities in these X-ray images could provide valuable second opinions to radiologists, helping to alleviate the pressure on them and even improving diagnoses in rural areas with limited resources. This Bachelor’s Thesis proposes an automatic anomaly detection system in chest radiographs using data science and artificial intelligence techniques to aid in the diagnosis of diseases such as aortic enlargement, pleural thickening, or pulmonary fibrosis, amongst others. To achieve this, an ensemble of deep learning models for object detection is proposed, trained with a set of chest radiographic images labeled by expert radiologists. The methodology includes preprocessing of both medical data and the images therein, training of the object detection models, validation and evaluation of the models using standard metrics, and interpretation of results through analysis and case studies. The system has demonstrated the capability to detect up to four thoracic pathologies, particularly showing improved performance in detecting aortic aneurysm and cardiomegaly, achieving an F1-Score of around 0.84 in both classes.
El uso de rayos X para el diagnóstico de enfermedades está ampliamente extendido, debido a que la captura de una radiografía es una prueba rápida e indolora cuyos beneficios superan enormemente cualquier riesgo asociado a este tipo de radiación. No obstante, la interpretación de las imágenes radiográficas por parte de los radiólogos puede suponer un verdadero reto, especialmente cuando se trata de la zona torácica. La detección de anomalías en estas imágenes de rayos X ayudada por computadores podría ofrecer una valiosa segunda opinión a los radiólogos, ayudando a reducir la presión que es ejercida sobre ellos e incluso ayudando a mejorar los diagnósticos en zonas rurales con pocos recursos. Este Trabajo de Fin de Grado propone un sistema de detección automática de anomalías en radiografías de tórax mediante la utilización de técnicas de ciencia de datos e inteligencia artificial con el fin de ayudar en el diagnóstico de enfermedades como la dilatación aórtica, el engrosamiento pleural o la fibrosis pulmonar, entre otras. Para ello, se propone utilizar un ensamble de modelos de aprendizaje automático profundo para la detección de objetos, que son entrenados con un conjunto de imágenes radiográficas de tórax etiquetadas por expertos radiólogos. La metodología comprende el preprocesamiento de tanto los datos médicos como las imágenes incluidas en ellos, el entrenamiento de los modelos de detección de objetos, la validación y evaluación de dichos modelos utilizando métricas estándar, y la interpretación de los resultados mediante análisis y casos de estudio. El sistema ha demostrado ser capaz de detectar hasta cuatro patologías torácicas, especialmente mostrando un mejor rendimiento en la detección de la aneurisma aórtica y la cardiomegalia, logrando un F1-Score de entorno 0.84 en ambas clases.
ABSTRACT
The use of X-rays for disease diagnosis is widely spread, as capturing a radiograph is a quick and painless test whose benefits far outweigh any associated risks with this type of radiation. However, the interpretation of radiographic images by radiologists can pose a real challenge, especially when it comes to the thoracic area. Computer-aided detection of abnormalities in these X-ray images could provide valuable second opinions to radiologists, helping to alleviate the pressure on them and even improving diagnoses in rural areas with limited resources. This Bachelor’s Thesis proposes an automatic anomaly detection system in chest radiographs using data science and artificial intelligence techniques to aid in the diagnosis of diseases such as aortic enlargement, pleural thickening, or pulmonary fibrosis, amongst others. To achieve this, an ensemble of deep learning models for object detection is proposed, trained with a set of chest radiographic images labeled by expert radiologists. The methodology includes preprocessing of both medical data and the images therein, training of the object detection models, validation and evaluation of the models using standard metrics, and interpretation of results through analysis and case studies. The system has demonstrated the capability to detect up to four thoracic pathologies, particularly showing improved performance in detecting aortic aneurysm and cardiomegaly, achieving an F1-Score of around 0.84 in both classes. Read More
Related posts:
Desarrollo de un sistema de diagnóstico de afecciones, utilizando deep learning
Analizando el impacto de modelos preentrenados con Deep Learning en tareas de visión artificial
Estudio de plataformas para la creación de competiciones aplicado a la tarea de clasificación de imágenes
Comparación del desempeño de Transfer Learning en Transformers Visuales para la clasificación de imágenes de satélite
Uso de técnicas de Deep Learning aplicadas a la restauración de imágenes
Búsqueda de imágenes de arquitectura mediante modelos de Deep Learning