Nhận dạng bệnh tim mạch qua ảnh X-quang lồng ngực bằng phương pháp học chuyển giao VGG16
Abstract
Cardiovascular disease is one of the most dangerous and common diseases in Vietnam and in the world today. More worrying is that this disease is increasingly common among young people. Especially in the context of the complicated developments of the COVID-19 pandemic, people with cardiovascular disease are at high risk of being infected with Corona virus. Therefore, the identification and early diagnosis of cardiovascular disease is one of the important and necessary research directions today. In this article, we propose to use a deep learning model with transfer learning to detect and identify two common types of cardiovascular disease, which are enlarged heart disease and aortic aneurysm, through X-ray images. - Chest radiograph. Specifically, this study used the transfer learning method with the VGG16 network model - a form of deep learning model - combined with data preprocessing to identify cardiovascular diseases. Experiments on available data of VinBigData have been labeled by experts in the field of cardiology. Experimental results from three scenarios show that this approach is very satisfactory with accuracy of 0.95, 0.96, and 0.70, respectively.
Tóm tắt
Bệnh tim mạch là một trong những bệnh nguy hiểm và phổ biến hiện nay ở Việt Nam và trên thế giới. Đáng lo ngại hơn là bệnh này đang ngày càng phổ biến ở giới trẻ. Đặc biệt là trong bối cảnh diễn biến phức tạp của đại dịch COVID-19, người mắc bệnh tim mạch là đối tượng rất dễ bị nguy hiểm nếu nhiễm phải virus Corona. Chính vì vậy, việc nhận dạng và chẩn đoán sớm bệnh tim mạch là một trong những hướng nghiên cứu quan trọng và cần thiết hiện nay. Trong bài viết này, chúng tôi đề xuất sử dụng mô hình học sâu với phương pháp học chuyển giao để phát hiện và nhận dạng hai loại bệnh tim mạch phổ biến là bệnh Tim to và bệnh Phình động mạch chủ, thông qua ảnh chụp X-quang lồng ngực. Cụ thể, nghiên cứu này đã sử dụng phương pháp học chuyển giao với mô hình mạng VGG16 - là một dạng của mô hình học sâu - kết hợp với tiền xử lý dữ liệu để nhận dạng bệnh tim mạch. Thực nghiệm trên dữ liệu sẵn có của VinBigData đã được gán nhãn bởi các chuyên gia trong lĩnh vực tim mạch. Kết quả thực nghiệm từ ba kịch bản cho thấy hướng tiếp cận này rất khả quan với độ chính xác lần lượt là 0.95, 0.96, và 0.70.
Tài liệu tham khảo
[1] Lu JT. et al. (2019) DeepAAA: Clinically Applicable and Generalizable Detection of Abdominal Aortic Aneurysm Using Deep Learning. In: Shen D. et al. (eds) Medical Image Computing and Computer Assisted Intervention - MICCAI 2019. MICCAI 2019. Lecture Notes in Computer Science, vol 11765. Springer, Cham. https://doi. org/10.1007/978-3-030-32245-8 80.
[2] S. Candemir, S. Rajaraman, G. Thoma and S. Antani, “Deep Learning for Grading Cardiomegaly Severity in Chest X-Rays: An Investigation," 2018 IEEE Life Sciences Conference (LSC), 2018, pp. 109-113, doi: 10.1109/LSC.2018.8572113.
[3] Gupte, T., Niljikar, M., Gawali, M., Kulkarni, V., Kharat, A., & Pant, A. (2021). Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest Radiographs for Assisted Diagnosis of Cardiomegaly. 2021 International Conference on Artificial Intelligence, Big Data, Computing and Data Communication Systems (icABCD), 1-6.
[4] Bougias H, Georgiadou E, Malamateniou C, Stogiannos N. Identifying cardiomegaly in chest X-rays: a cross-sectional study of evaluation and comparison between different transfer learning methods. Acta Radiol. 2021 Dec;62(12):1601-1609. doi: 10.1177/0284185120973630. Epub 2020 Nov 17. PMID: 33203215.
[5] E. Sogancioglu, K. Murphy, E. Calli, E. T. Scholten, S. Schalekamp and B. Van Ginneken, "Cardiomegaly Detection on Chest Radiographs: Segmentation Versus Classification," in IEEE Access, vol. 8, pp. 94631-94642, 2020, doi: 10.1109/ ACCESS.2020.2995567.
[6] H. A. Hong and U. U. Sheikh, "Automatic detection, segmentation and classification of abdominal aortic aneurysm using deep learning," 2016 IEEE 12th International Colloquium on Signal Processing & Its Applications (CSPA), 2016, pp. 242-246, doi: 10.1109/CSPA.2016.7515839.
[7] Golla AK, Tönnes C, Russ T, Bauer DF, Froelich MF, Diehl SJ, Schoenberg SO, Keese M, Schad LR, Zöllner FG, Rink JS. Automated Screening for Abdominal Aortic Aneurysm in CT Scans under Clinical Conditions Using Deep Learning. Diagnostics (Basel). 2021 Nov 17;11(11):2131. doi: 10.3390/diagnostics11112131. PMID: 34829478; PMCID: PMC8621263.
[8] Que Q, Tang Z, Wang R, Zeng Z, Wang J, Chua M, Gee TS, Yang X, Veeravalli B. CardioXNet: Automated Detection for Cardiomegaly Based on Deep Learning. Annu Int Conf IEEE Eng Med Biol Soc. 2018 Jul;2018:612-615. doi: 10.1109/ EMBC.2018.8512374. PMID: 30440471.
[9] Zhou S, Zhang X, Zhang R. Identifying Cardiomegaly in ChestX-ray8 Using Transfer Learning. Stud Health Technol Inform. 2019 Aug 21;264:482-486. doi: 10.3233/ SHTI190268. PMID: 31437970.
[10] Chollet, François. "Xception: Deep learning with depthwise separable convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
[11] Szegedy, Christian, et al. "Rethinking the inception architecture for computer vision.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.
[12] Howard, Andrew G., et al. "Mobilenets: Efficient convolutional neural networks for
mobile vision applications." arXiv preprint arXiv:1704.04861 (2017).
[13] Simonyan, Karen & Zisserman, Andrew. (2014). Very Deep Convolutional Networks
for Large-Scale Image Recognition. arXiv 1409.1556.
[14] H. Chang, J. Han, C. Zhong, A. M. Snijders and J. -H. Mao, “Unsupervised Transfer Learning via Multi-Scale Convolutional Sparse Coding for Biomedical Applications," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 40, no. 5, pp. 1182-1194, 1 May 2018, doi: 10.1109/TPAMI.2017.2656884.
[15] Elefteriades JA, Sang A, Kuzmik G, Hornick M. Guilt by association: paradigm for detecting a silent killer (thoracic aortic aneurysm). Open Heart. 2015 Apr 24;2(1):e000169. doi: 10.1136/openhrt-2014-000169. PMID: 25932333; PMCID: PMC4410139.
[16] Lee, M.S., Kim, Y.S., Kim, M. et al. Evaluation of the feasibility of explainable computer-aided detection of cardiomegaly on chest radiographs using deep learning. Sci Rep 11, 16885 (2021). https://doi.org/10.1038/s41598-021-96433-1. [17] VinBigData: https://www.kaggle.com/c/vinbigdata-chest-xray-abnormalities-
detection/data.
[18] Dildar M, Akram S, Irfan M, et al. Skin Cancer Detection: A Review Using Deep Learning Techniques. Int J Environ Res Public Health. 2021;18(10):5479. Published 2021 May 20. doi:10.3390/ijerph18105479.
[19] Jianxin Wu. Introduction to Convolutional Neural Networks. National Key Lab for
Novel Software Technology, Nanjing University, China. May 1, 2017.