Phân loại và khoanh vùng 14 loại tổn thương phổi sử dụng mạng nơ ron
Abstract
The risk of lung disease is immense for many people, especially those in developing countries. Doctors have difficulty interpreting chest X-rays, which can lead to misdiagnosis. Deep learning methods help locate lung abnormalities. A dataset of 112,000 images is labeled by experienced physicians. A neural network is trained based on Faster-RCNN and Retina framework towards big data approach to reduce the training time. Furthermore, Grad-CAM is used to highlight the lesion region in making predictions. The results demonstrate that the method using deep learning techniques can achieve the accuracy of up to 95.5%.
Tóm tắt
Nguy cơ mắc bệnh phổi là vô cùng lớn đối với nhiều người, đặc biệt là ở các quốc gia đang phát triển. Các bác sĩ gặp khó khăn trong việc giải thích tia X ở ngực có thể dẫn đến chẩn đoán sai. Phương pháp học sâu giúp xác định vị trí các bất thường của phổi. Sử dụng tập dữ liệu gồm 112.000 ảnh được gán nhãn bởi các bác sĩ có kinh nghiệm. Chúng tôi đào tạo một mạng lưới thần kinh dựa trên khuôn khổ Faster-RCNN và Retina theo hướng tiếp cận dữ liệu lớn làm giảm thời gian huấn luyện. Hơn nữa, chúng tôi đã sử dụng Grad-CAM để làm nổi bật vùng tổn thương trong việc đưa ra dự đoán. Kết quả chứng minh phương pháp sử dụng kỹ thuật học sâu có thể đạt được độ chính xác lên đến 95.5%.
Tài liệu tham khảo
[1] Kaiming He, X. Zhang, S. Ren, J. Sun (2015), “Deep Residual Learning for Image
Recognition".
[2] S. Ren, K. He, R. Girshick, and J. Sun (2017), “Faster R-CNN: Towards Real-Time
Object Detection with Region Proposal Networks".
[3] Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár (2018), “Focal
Loss for Dense Object Detection".
[4] Rachna Jain, Preeti Nagrath, Gaurav Kataria, V. Sirish Kaushik, D. Jude Hemanth (2020), "Pneumonia detection in chest X-ray images using convolutional neural networks and transfer learning".
[5] Alex Alemi (2016), “Improving Inception and Image Classification in TensorFlow".
[6] Laboni Sarker , Md. Mohaiminul Islam, Tanveer Hannan và Zakaria Ahmed (2021), "COVID-DenseNet: A deep learning architecture to detect COVID-19 from chest radiology images".
[7] S. Ren, K. He, R. Girshick, and J. Sun (2017), "Faster R-CNN: Towards Real-Time
Object Detection with Region Proposal Networks".
[8] Ivan William Harsono, Suryadiputra Liawatimena, Tjeng Wawan Cenggoro (2020), "Lung nodule detection and classification from Thorax CT-scan using RetinaNet with transfer learning".
[9] S. J. Pan and Q. Yang (2010), “A survey on transfer learning".
[10] https://paperswithcode.com/dataset/chestx-ray14 (14/02/2022)
[11] Mawanda Almuhayar, Henry Horng-Shing Lu (2019). “Classification of Abnormality
in Chest X-Ray Images by Transfer Learning of CheXNet”.
[12] Szegedy, Vanhoucke (2017). "Rethinking the inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition".