Detección asistida por computadora de COVID-19 usando imágenes de rayos X y tomografía computarizada: una comparación interna
En la actualidad, la pandemia del COVID-19 es el problema más urgente que enfrenta el mundo debido a su enorme impacto negativo en la salud pública. La ciencia y la tecnología tienen una contribución importante en la implementación de estos nuevos esquemas y políticas.
Por otro lado, la IA y el cribado asistido por computadora han sido adoptados y aplicados para acelerar la investigación y el desarrollo biomédico. El aprendizaje profundo y el aprendizaje por transferencia se han utilizado en muchas aplicaciones, incluida la clasificación de datos y la detección y segmentación de imágenes. Existen numerosas bases de datos abiertas en línea, que incluyen conjuntos de datos de radiografías de tórax y tomografías computarizadas.
En estudios señalaron que las imágenes de rayos X y CT desempeñan una evaluación esencial en la detección y el diagnóstico de la infección por COVID-19. Debido a una gran cantidad de pacientes infectados y una amplia práctica médica, se requieren diagnósticos asistidos por computadora con algoritmos modernos como procesamiento de imágenes; aprendizaje automático, aprendizaje profundo y aprendizaje de transferencia. Lo que podría reducir significativamente los esfuerzos de los médicos y mejorar el proceso de diagnóstico.
Con las nuevas tecnologías
Se propone una metodología basada en el aprendizaje profundo para detectar pacientes infectados con COVID-19. En el estudio, el modelo de clasificación «Resnet50 plus SVM» ha mostrado resultados impresionantes. Es decir, una precisión del 95,38% y puntuación del 91,41%. Sobre la base del rendimiento de las tomografías computarizadas, han sugerido que el dispositivo es un buen método para el diagnóstico y tratamiento de COVID-19. Para la optimización en manejo y el diagnóstico rápido de COVID-19, las tomografías computarizadas de tórax tuvieron un diagnóstico de COVID-19 bajo. Es decir, 3,9% y 2/51, que puede ser útil como método estándar.
El Instituto Nacional del Cáncer realizó un Ensayo Nacional de Cribado Pulmonar que informa sobre las imágenes de rayos X son mejores que las imágenes de tomografía computarizada para el cribado de cualquier enfermedad relacionada con los pulmones. Los rayos X manejan una pequeña porción de radiación para producir una imagen bidimensional. Las exploraciones de tomografía computarizada utilizan un equipo desarrollado para fusionar múltiples imágenes de rayos X desde diferentes ángulos para crear una imagen 2D transformándola en una imagen 3D. Requieren de un equipo altamente especializado y se llevan a cabo en el hospital por un radiografo especializado. Actualmente se presentan confusiones sobre el aporte de las imágenes de rayos X y tomografías computarizadas para el cribado de COVID-19 basadas en herramientas informáticas.
En cuanto la metodología
Se manejó en una base de datos de acceso público que comprende de imágenes de radiografías y tomografías computarizada clasificadas en imágenes no COVID-19 como imágenes infectadas con COVID-19. En la extracción de características se basa en la obtención de características adquiridas de una CNN previamente entrenada. Las características profundas se extraen de la capa completamente conectada y se envían al clasificador con fines de capacitación. Se manejaron 13 redes entrenadas para llevar las extracciones. Las características profundas de una red entrenada se alimentan al SVM para la clasificación. Las características se envían al clasificador SVM para la clasificación de COVID-19 y no COVID-19.
El enfoque de aprendizaje automático incluye tres conjuntos de características y tres clasificadores. Los modelos de CNN previamente entrenados incluyen AlexNet, GoogleNet, VGG16, VGG19, Densenet201, Resnet18, Resnet50, Resnet101, Inceptionv3, Inceptionresnetv2, Xception, MobileNetv2 y ShuffleNet. Las características son GLCM, LBP y HOG, y los clasificadores basados en aprendizaje automático son KNN, SVM y Naive Bayes. En general, el análisis comparativo se lleva a cabo en 65 modelos de clasificación. Es decir, 13 en la extracción profunda de características, 13 en el aprendizaje por transferencia y 39 en los enfoques de aprendizaje automático. El desempeño de los clasificadores se mide utilizando indicadores de evaluación como la precisión que durante todo el experimento fue el dato más contundente sobre el tipo de imagen como mejor resultado.
Como resultado
Cada modelo de clasificación funcionó en el caso de las imágenes de rayos X en comparación con las imágenes de tomografía computarizada. Se debe a que el tiempo de cálculo de las imágenes fue más eficiente. De los modelos de clasificación basados en el método de extracción de características profundas, vgg19 logró una precisión del 99,81% manejando conjuntos de datos de imágenes de rayos X; pero en tomografías computarizadas resultó en una precisión del 81,35%.
En el modelo de clasificación basado en el enfoque de aprendizaje por transferencia funcionó mejor en el caso de imágenes de rayos X en comparación con imágenes de tomografía computarizada, como el método de extracción de características profundas. Entre los modelos de clasificación basados en enfoques de aprendizaje por transferencia, Inceptionv3 logró la mayor precisión del 98,95% utilizando imágenes de rayos X. Inceptionv3 tuvo un 62,17% de precisión en el caso de imágenes de tomografía computarizada y al manejar imágenes de tomografía computarizada, VGG19 logró la mayor precisión en el enfoque de aprendizaje por transferencia; es decir, 64,80%.
Los tres clasificadores de aprendizaje automático como Bayes ingenuo, SVM y KNN, se examinaron en la clasificación de imágenes COVID-19 y no COVID-19 con sus diferentes paradigmas. El proceso de evaluación es el mismo que el enfoque de aprendizaje de transferencia y extracción de características de escritura mediante una proporción de capacitación y prueba del 80:20. La efectividad de las imágenes de rayos X es mejor a comparación de las imágenes de tomografía computarizada para el diagnóstico de coronavirus independientemente de los clasificadores y características de la imagen.
En conclusión
La mayor precisión obtenida en el enfoque de aprendizaje automático es la SVM cuadrática con características de LBP utilizando imágenes de rayos X, con un porcentaje del 99,50%. Sin embargo, en el caso de las imágenes de tomografía computarizada, con el mismo modelo de clasificación tuvo un resultado de precisión del 85,7%. En lo que los resultados del análisis y la comparación de 65 modelos de clasificación durante las pruebas indican que el desarrollo de modelos de clasificación asistidos por computadora utilizando imágenes de rayos X de tórax puede lograr mejores rendimientos a comparación del uso de imágenes de tomografía computarizada para la detección de enfermedades infectadas por COVID-19.
En los estudios señalaron que las imágenes de rayos X de tórax y las imágenes por tomografías computarizadas pueden desempeñarse de manera óptima para la detección y el diagnóstico de la infección por COVID-19 utilizando varios métodos y técnicas; como la representación de múltiples vistas latentes estructuradas de aprendizaje, características CXR, características profundas y optimización bayesiana. Pero en base a los resultados de cada modelo de clasificación los mejores porcentajes de precisión en las dos modalidades de imagen, las imágenes de rayos X de tórax son más útiles para la detección de COVID-19.
Sethy, Prabira Kumar et al. ‘Computer Aid Screening of COVID-19 Using X-ray and CT Scan Images: An Inner Comparison’. 1 Jan. 2021 : 197 – 210.
