Nhận dạng viêm phổi qua phim chụp X-Quang sử dụng kỹ thuật Deep Learning
Abstract
Pneumonia is a common and dangerous disease that can lead to death and have significant impacts on public health. Chest X-ray is a non-invasive and widely used diagnostic method for identifying pneumonia. Accurate detection and diagnosis of pneumonia are crucial to ensure timely treatment and prevent the spread of the disease. In this context, deep learning algorithms, especially convolutional neural networks (CNNs), have been applied to identify pneumonia through X-ray images. In this paper, we present the results of using two popular deep learning models, VGG16 and ResNet 50V2, to identify pneumonia in X-ray datasets. The dataset used consists of 5,856 X-ray images, divided into three folders: train (5,216 images), test (624 images), and val (16 images). There are two main categories: Pneumonia (4,273 images) and Normal (1,583 images). The experimental results show impressive performance of these two models in pneumonia identification, with VGG16 achieving 89.1% accuracy and ResNet 50V2 achieving 90.7%. This study provides important insights into the development of effective and high-performance models to improve the diagnosis and treatment process for pneumonia patients in the medical field.
Tóm tắt
Viêm phổi là một căn bệnh phổ biến và nguy hiểm, có thể gây tử vong và tác động lớn đến sức khỏe cộng đồng. X-quang ngực là một phương pháp chẩn đoán không xâm lấn và phổ biến để xác định viêm phổi. Phát hiện và chẩn đoán viêm phổi một cách chính xác là rất quan trọng để đảm bảo điều trị kịp thời và ngăn chặn sự lây lan của căn bệnh. Trong bối cảnh này, giải thuật học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), đã được áp dụng để nhận dạng viêm phổi qua hình ảnh X-quang. Trong bài báo này, chúng tôi trình bày kết quả của việc sử dụng hai mô hình Deep Learning phổ biến là VGG16 và ResNet 50V2 để nhận dạng viêm phổi trên tập dữ liệu X-quang. Tập dữ liệu được sử dụng bao gồm 5.856 hình ảnh X-quang, chia thành ba thư mục: train (5216 hình), test (624 hình), và val (16 hình). Trong đó, có 2 loại chính là Viêm phổi (4.273 hình) và Bình thường (1.583 hình). Kết quả thử nghiệm cho thấy hiệu suất ấn tượng của hai mô hình này trong việc nhận dạng viêm phổi, với VGG16 đạt 89.1% và ResNet 50V2 đạt 90.7%. Nghiên cứu này cung cấp một cái nhìn quan trọng về việc phát triển các mô hình hiệu quả và hiệu suất cao vào việc cải thiện quá trình chẩn đoán và điều trị cho bệnh nhân viêm phổi trong lĩnh vực y học.
Tài liệu tham khảo
[1] Ayan, E.; Unver, H.M. (2019) Diagnosis of Pneumonia from Chest X-ray Images Using Deep Learning. In Proceedings of the 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT), Istanbul, Turkey, 24–26 April 2019; pp. 1–5.
[2] Gu, X.; Pan, L.; Liang, H.; Yang, R. (2018) Classification of Bacterial and Viral Childhood Pneumonia Using Deep Learning in Chest Radiography. In Proceedings of the 3rd international conference on Mobile and ubiquitous multimedia—MUM ’04; Association for Computing Machinery (ACM), Guiyang China, 16–18 March 2018; pp. 88–93.
[3] Khatri, A.; Jain, R.; Vashista, H.; Mittal, N.; Ranjan, P.; Janardhanan, R. (2020) Pneumonia Identification in Chest X-ray Images Using EMD. In Internet of Things—Applications and Future; Springer Science and Business Media LLC: Singapore, 2020; pp. 87–98.
[4] E. Donnall Thomas, M.D, (1990) the winner of the 1990 Nobel Prize in Medicine, achieved what every expert said was impossible. https://www.mayoclinic.org/diseases-conditions/pneumonia/symptoms-causes/syc-20354204
[5] Goldman L, et al., eds. (2016) Overview of pneumonia. In: Goldman-Cecil Medicine. 25th ed. Philadelphia, Pa.: Saunders Elsevier; 2016. http://www.clinicalkey.com. Accessed April 18, 2016.
[6] Wang, G., Liu, X., Shen, J. et al. (2021) A deep-learning pipeline for the diagnosis and discrimination of viral, non-viral and COVID-19 pneumonia from chest X-ray images. Nat Biomed Eng 5, 509–521 . https://doi.org/10.1038/s41551-021-00704-1.
[7] Stephen M Humphries , Devlin Thieke , David Baraghoshi , Matthew J. Strand , Jeffrey J Swigris , Kum Ju Chae , Hye Jeon Hwang , Andrea S. Oh , Kevin R. Flaherty , Ayodeji Adegunsoye , Renea Jablonski (2023) Deep Learning Classification of Usual Interstitial Pneumonia Predicts Outcomes. , https://doi.org/10.1164/rccm.202307-1191OC.
[8] Karen Simonyan, Andrew Zisserman (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition, arXiv: 1409. 1556
[9] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2016) Identity Mappings in Deep Residual Networks. arXiv:1603.05027v3
[10] Meysam Vakili, Mohammad Ghamsari and Masoumeh Rezaei (2020). Performance Analysis and Comparison Of Machine and Deep Learning Algorithms for IoT Data Classification. arXiv:2001.09636 or arXiv:2001.09636v1.
[11] Manolis Loukadakis, Jos´e Cano, Michael O’Boyle, (2018) “Accelerating Deep Neural Networks on Low Power Heterogeneous Architectures”, Institute for Computing Systems Architecture School of Informatics, University of Edinburgh, UK, January 2018
[12] Emad Ul Haq Qazi *, Tanveer Zia and Abdulrazaq Almorjan, (2021) Deep Learning-Based Digital Image Forgery Detection System, https://doi.org/10.3390/app12062851
