Implementación de una Red Neuronal Convolucional para Distinguir entre Patrones Radiológicos de COVID-19 y Neumonía en Imágenes Tomográficas de Tórax
Resumen
En el año 2020, la Organización Mundial de la Salud (OMS) proclamó la existencia de una pandemia originada por el coronavirus (COVID-19), cuyo brote inicial tuvo lugar en Wuhan, China. Este virus ha tenido un impacto devastador, cobrando la vida de miles y afectando a millones en todo el mundo. Sus síntomas, que incluyen tos, fiebre, fatiga y disnea, se asemejan a los de una gripe común. La propagación del virus ocurre principalmente a través de partículas respiratorias emitidas por personas infectadas, las cuales pueden depositarse en los ojos, boca o nariz de otras personas. Para confirmar la infección, se utilizan dos tipos de pruebas: la prueba de reacción en cadena de la polimerasa con transcripción inversa (RT-PCR) y las pruebas de antígenos. Sin embargo, debido a sus procesamientos, estas pruebas pueden demorar en proporcionar resultados definitivos. Es en este contexto que la inteligencia artificial y las técnicas de Machine Learning (ML) se presentan como herramientas valiosas para mejorar la detección del virus en los pulmones de manera eficiente. En este trabajo, se propone la implementación de una Red Neuronal Convolucional (CNN) para la detección temprana de pacientes con COVID-19. Se utiliza un conjunto de datos compuesto por 3616 imágenes de rayos X de tórax, empleando una red neuronal preentrenada denominada VGG16. A través del entrenamiento, se logra una precisión óptima en la clasificación de las imágenes en las categorías de COVID y Neumonía.
Descargas
Citas
Boone, J. M., Seshagiri, S., and Steiner, R. M. (1992). Recognition of chest radiograph orientation for picture archiving and communications systems display using neural networks. Journal of Digital Imaging, 5(3):190–193.
Chowdhury, M. E., Alzoubi, K., Khandakar, A., Khallifa, R., Abouhasera, R., Koubaa, S., Ahmed, R., and Hasan, A. (2019a). Wearable real-time heart attack detection and warning system to reduce road accidents. Sensors, 19(12):2780.
Chowdhury, M. E., Khandakar, A., Alzoubi, K., Mansoor, S., M Tahir, A., Reaz, M. B. I., and Al-Emadi, N. (2019b). Real-time smart-digital stethoscope system for heart diseases monitoring. Sensors, 19(12):2781.
Epidemiologia, D. G. (2022). COVID-19 Tablero México.
Gorbalenya, Alexander E y Baker, S. C. y. B. R. y. G. R. J. d. y. D. C. y. G. A. A. y. H. B. L. y. L. C. y. L. A. M. y. N. B. W. y. o. (2020). Coronavirus relacionado con el síndrome respiratorio agudo severo: la especie y sus virus: una declaración del grupo de estudio de coronavirus.
Gozes, O., Frid-Adar, M., Greenspan, H., Browning, P. D., Zhang, H., Ji, W., Bernheim, A., and Siegel, E. (2020). Rapid ai development cycle for the coronavirus (covid-19) pandemic: Initial results for automated detection & patient monitoring using deep learning ct image analysis. arXiv preprint arXiv:2003.05037.
Grant, R. A., Morales-Nebreda, L., Markov, N. S., Swaminathan, S., Querrey, M., Guz- man, E. R., Abbott, D. A., Donnelly, H. K., Donayre, A., Goldberg, I. A., et al. (2021). Circuits between infected macrophages and t cells in sars-cov-2 pneumonia. Nature,590(7847):635–641.
Kallianos, K., Mongan, J., Antani, S., Henry, T., Taylor, A., Abuya, J., and Kohli, M. (2019). How far have we come? artificial intelligence for chest radiograph interpreta- tion. Clinical radiology, 74(5):338–345.
Kayalibay, B., Jensen, G., and van der Smagt, P. (2017). Cnn-based segmentation of medical imaging data. arXiv preprint arXiv:1701.03056.
Kermany, D. S., Goldbaum, M., Cai, W., Valentim, C. C., Liang, H., Baxter, S. L., McKeown, A., Yang, G., Wu, X., Yan, F., et al. (2018). Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 172(5):1122–1131.
Krizhevsky, Alex y Sutskever, I. y. H. G. E. (2012). Clasificación de imagenet con redes neuronales convolucionales profundas. Avances en los sistemas de procesamiento de información neuronal, 25.
Marín, J. E. O. (2021). Sintomatología no respiratoria de covid-19. Alerta, Revista científica del Instituto Nacional de Salud, 4(2):61–68.
Rajaraman, S., Candemir, S., Kim, I., Thoma, G., and Antani, S. (2018). Visualization and interpretation of convolutional neural network predictions in detecting pneumonia in pediatric chest radiographs. Applied Sciences, 8(10):1715.
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A. C., and Fei-Fei, L. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision (IJCV),115(3):211–252.
Simonyan, K. and Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
Xu, X., Jiang, X., Ma, C., Du, P., Li, X., Lv, S., Yu, L., Ni, Q., Chen, Y., Su, J., et al. (2020). A deep learning system to screen novel coronavirus disease 2019 pneumonia. Engineering, 6(10):1122–1129.
Zhang, J., Xie, Y., Pang, G., Liao, Z., Verjans, J., Li, W., Sun, Z., He, J., Li, Y., Shen, C., et al. (2020). Viral pneumonia screening on chest x-rays using confidence-aware anomaly detection. IEEE transactions on medical imaging, 40(3):879–890.
Zhu, Na y Zhang, D. y. W. W. y. L. X. y. Y. B. y. S. J. y. Z. X. y. H. B. y. S. W. y. L. R. y. o. (2020). Un nuevo coronavirus de pacientes con neumonía en china, 2019. Diario de medicina de Nueva Inglaterra.
Derechos de autor 2024 Carlos Jesús Rivero López , José Guzmán Irahan Otoniel, Galdino Martínez Flores, Isaías Avendaño Cortes
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.jpg)
