Інформаційна технологія візуального аналізу ренгенівських зображень для інтерпретації результатів діагностування пневмонії

ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ВІЗУАЛЬНОГО АНАЛІЗУ РЕНТГЕНІВСЬКИХ ЗОБРАЖЕНЬ ДЛЯ ІНТЕРПРЕТАЦІЇ РЕЗУЛЬТАТІВ ДІАГНОСТУВАННЯ ПНЕВМОНІЇ

INFORMATION TECHNOLOGY OF VISUAL ANALYSIS OF X-RAY IMAGES FOR INTERPRETATION OF PNEUMONIA DIAGNOSTIC RESULTS

Сторінки: 52-55. Номер: №2, 2021 (295)        
Автори:
О.В. БАРМАК, П.М. РАДЮК
Хмельницький національний університет
DOI: https://www.doi.org/10.31891/2307-5732-2021-295-2-52-55
Рецензія/Peer review : 03.03.2021 р.
Надрукована/Printed : 02.06.2021 р.

Анотація мовою оригіналу

На сьогодні пневмонія є одним із поширеніших та найбільш серйозних легеневих захворювань у всьому світі. Раннє діагностування пневмонії є ключовим чинником її успішного лікування. Для розв’язання актуального завдання в галузі цифрового діагностування в цій пропонується інформаційна технологія візуального аналізу рентгенівських зображень для пояснення результатів діагностування пневмонії. В основі технології закладено модель класифікації на основі згорткової нейронної мережі для вилучення слабо виражених ознак ранньої вірусної пневмонії та модифікований метод відмінної локалізації для інтерпретації результатів класифікації. Метод інтерпретації полягає в застосуванні зважених градієнтів до мап активації класів. Подібна модифікація забезпечує відмінну локалізацію аномальних зон на рентгенограмах, що дає змогу вилучити цільові слабко виражені ознаки ранньої пневмонії. Відповідно до обчислювальних експериментів, запропонована інформаційна технологія може бути ефективним засобом для миттєвого діагностування в разі перших підозр на виявлення пневмонії.
Ключові слова: пневмонія, згорткова нейронна мережа, рентгенівське зображення грудної клітини, візуальний аналіз, мапи активації класів.

Розширена анотація англійською мовою

To date, pneumonia is one of the most common and severe lung diseases in the world. Early diagnosis of pneumonia is a crucial factor in its successful treatment. Over the last decade, automated analysis of chest X-rays has been recognized as an effective tool for diagnosing lung diseases. However, the problem of implementing and configuring methods that explain the results of digital diagnosis remains acute. Convolutional neural networks now show state-of-the-art results in the identification of diseases on X-ray. Therefore, to address the urgent issue in digital diagnosis, we propose information technology for visual analysis of X-ray images to explain the results of diagnosing pneumonia. The technology comprises a classification model based on a convolutional neural network to remove mild features of early viral pneumonia and a modified method of different localization to interpret the classification results. The method of interpretation is to apply weighted gradients to class activation maps. It distinguishes lung masks in the X-ray image and imposes thermal maps with a color gradient from blue to bright red. The red color corresponds to the most probable location of the pneumonia features in the radiograph. Such a modification provides excellent localization of abnormal areas on radiographs, removing the mild target features of early pneumonia. It should be noted that our model based on the convolutional network surpassed other classifiers in precision (98.5%) but slightly conceded in classification accuracy (96.1%) and recall (93.6%). Also, it shows relatively low false positive and false negative rates, with 1.4% and 6.4%, respectively. Overall, according to computational experiments, the proposed information technology can be an effective tool for instant diagnosis in the first suspicion of pneumonia.
Keywords: pneumonia, convolutional neural network, chest X-ray, visual analysis, class activation maps.

References

1. Raghu G. COVID-19 interstitial pneumonia: Monitoring the clinical course in survivors / G.Raghu, K.C. Wilson // The Lancet Respiratory Medicine. – 2020. – Volume 8. – Issue 9. – P. 839–842.
2. Wang X. ChestX-Ray8: Hospital-scale chest X-Ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases / X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri et al. // Proceedings of the 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR-2017, Honolulu, HI, USA, July 21–26, 2017. – IEEE Inc., 2017. – P. 3462–3471. – DOI: https://doi.org/10.1109/CVPR.2017.369
3. Simonyan K. Very deep convolutional networks for large-scale image recognition / K. Simonyan, A. Zisserman // Proceedings of the 3rd International Conference on Learning Representations, ICLR-2015, San Diego, CA, USA, May 7–9, 2015. – ICLR.org., 2015 – P. 1–14.
4. Szegedy C. Inception-v4, Inception-ResNet and the impact of residual connections on learning / C. Szegedy, S. Ioffe, V. Vanhoucke, A. Alemi // Proceedings of the 31 AAAI Conference on Artificial Intelligence, AAAI-2017, San Francisco, CA, USA, Feb 4–10, 2017. – AAAI Press, 2017. – P. 4278–4284.
5. Radiuk P. Applying 3D U-Net architecture to the task of multi-organ segmentation in computed tomography / P. Radiuk // Applied Computer Systems. – 2020. – Volume 25. – Issue 1. – P. 43–50.
6. Mahmud T. CovXNet: A multi-dilation convolutional neural network for automatic COVID-19 and other pneumonia detection from chest X-ray images with transferable multi-receptive feature optimization / T. Mahmud, M.A. Rahman, S.A. Fattah // Computers in Biology and Medicine. – 2020. – Volume 122. – P. 103869.
7. Sandler M. MobileNetV2: Inverted residuals and linear bottlenecks / M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, L. Chen // Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR-2020, Salt Lake City, UT, USA, June 18–23, 2018. – IEEE Inc., 2018. – P. 4510–4520.
8. Krak Iu. Detection of early pneumonia on individual CT scans with dilated convolutions / Iu. Krak , O. Barmak, P. Radiuk // Proceedings of 2nd International Workshop on Intelligent Information Technologies & Systems of Information Security, IntelITSIS-2021, Khmelnytskyi, Ukraine, March 24–26, 2021. – CEUR-WP, 2021 – Volume 2853. – P. 214–227.
9. Selvaraju R.R. Grad-CAM: Visual explanations from deep networks via gradient-based localization / R.R. Selvaraju, M. Cogswell, A. Das, R. Vedantam, D. Parikh, D. Batra // International Journal of Computer Vision. – 2020. – Volume 128. – Issue 2. – P. 336–359. – DOI: https://doi.org/10.1007/s11263-019-01228-7
10. Irvin J. CheXpert: A large chest radiograph dataset with uncertainty labels and expert comparison / J. Irvin, P. Rajpurkar, M. Ko, Y. Yu, S. Ciurea-Ilcus et al. // Proceedings of the 33d AAAI Conference on Artificial Intelligence 2019, Honolulu, HA, USA, Jan 27 – Feb 1, Feb 2019. – AAAI.org, 2019. – P. 590–597.