• Cognex Vertrieb: +49-721-958-8052

  • Kontakt

Cognex Blogs

VisionPro Deep Learning hilft Radiologen, Bilder von COVID-19 oder Lungenentzündung zu erkennen

Using deep learning to identify Covid in CT scans

Die neuartige Coronavirus-Erkrankung – die von der Weltgesundheitsorganisation den Namen COVID-19 erhielt – wird durch eine neue Coronavirusklasse verursacht, die als SARS-CoV-2 (severe acute respiratory syndrome coronavirus 2) bekannt ist. Dieses einzelsträngige RNA-Virus (Ribonukleinsäure) kann schwere Atemwegsinfektionen hervorrufen, die zu einer stationären Behandlung oder zum Tod führen können. Fast 55 Millionen Menschen waren weltweit bereits infiziert, mit 1,35 Millionen Todesfällen.

Wissenschaftler arbeiten heute unermüdlich an der Entwicklung von Therapien und Impfstoffen zum Schutz der allgemeinen Bevölkerung vor einer Ansteckung mit COVID-19. Bis ihre Bemühungen wirksam Früchte tragen, besteht eine der besten Lösungen darin, das Virus in einer frühen Phase zu entdecken und dann infizierte Menschen durch Quarantäne zu isolieren, um die Ausbreitung der Krankheit zu verhindern. Der RTPCR-Test (real-time reverse transcription-polymerase chain reaction) mit Wattestäbchen für den Nasen-Rachen-Abstrich misst die Virus-RNA-Werte im Körper und wird zur äußerst exakten COVID-19-Diagnose verwendet. Die Durchführung des Tests dauert jedoch Stunden und der daruch entstehende Rückstau kann sogar zu noch längeren Wartezeiten führen. Eine bessere und genauere Methode zur Diagnose von COVID-19 sind Röntgen- und Computertomografie- (CT-)Untersuchungen.

Im Sommer 2020 setzte ein medizinisches Forscherteam die VisionPro Deep Learning (DL) Software von Cognex für das Problem der Erkennung des Coronavirus durch Analyse von Thorax-Röntgenbildern ein, mit positiven Resultaten. In der anschließenden Publikation vergleicht das Team die Wirksamkeit der Anwendung der VisionPro DL Software zur Erkennung von COVID-19-Indikationen in CT-Scans. Die Arbeit untersuchte auch, wie die Software noch schneller und leichter programmiert werden kann, wieder mit deutlich positiven Ergebnissen.

Röntgenbilder, CT-Scans und COVID-19

Mit medizinischen Bildaufnahmen wie Röntgenbildern können Ärzte und Radiologen nachvollziehen, dass die COVID-19-Labortests richtig sind. Darüber hinaus können die neuronalen Netzwerke des Deep-Learning, die ähnlich wie ein Kind anhand von Beispielen lernen, ärztliches Personal entlasten, indem sie tausende medizinische Bilder analysieren und Abweichungen erkennen, die eine Diagnose widerlegen oder unterstützen.

Es gibt nur ein Hindernis: Die beliebtesten Open-Source-Deep-Learning-Tools sind schwierig zu bedienen und erfordern umfangreiche Programmierkenntnisse. Es ist praktisch nicht zu erwarten, dass Gesundheitspersonal wie Ärzt*innen, Radiolog*innen und anderes medizinisches Personal diese Tools beherrscht.

Diesen Sommer machte sich ein Team von KI-Fachleuten (künstliche Intelligenz) bei Cognex daran, dieses Hindernis mit einer grundlegenden Hypothese zu überwinden: Könnte die Cognex-Software für industrielle Automatisierung eine benutzerfreundliche Alternative zu den weltbesten Open-Source-Deep-Learning-Tools bieten, die deren Leistungsfähigkeit erreicht? Die Studie mit dem Titel „Identification of images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open Source Convolutional Neural Networks“ verglich das neuronale Computernetzwerk (CNN) von Cognex VisionPro DL mit mehreren bekannten Open-Source-CNNs zur Röntgenauswertung, einschließlich VGG19, ResNet, DenseNet und Inception. Nachdem die Arbeit, deren Autoren Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa und Mitchell Riley sind, die alle im Life Sciences Team von Cognex arbeiten, den Peer Review bestanden hatte, erregte sie die Aufmerksamkeit von großen Forschungsverlagen.

„Wir waren überrascht zu sehen, dass es für die Software leicht war, zwischen Krankheiten, die in Röntgenbildern sichtbar sind, zu unterscheiden“, sagte Vandenhirtz, leitender KI-Experte für Life Sciences bei Cognex. „Für den Menschen ist es fast unmöglich, bei verschiedenen Krankheiten Unterschiede in Röntgenbildern herauszufinden. Fünf Radiolog*innen können bei dieser Art von Bildern fünf verschiedene Meinungen haben.“

Studie 1: VisionPro DL ist herausragend und überlegen

Die Studie von Cognex stützte sich auf die Erkenntnisse von Forschern der University of Waterloo in Ontario, Kanada, mit dem Titel „COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images.“ Dazu wurden fast 14.000 Thorax-Röntgenbilder in einem COVIDx genannten Datensatz verwendet. Die Co-Autoren Linda Wang und Alexander Wong verwendeten Open-Source- DL-Pakete zum Aufbau von COVID-Net, einem ausgeklügelten neuronalen Netz, das die Röntgenbilder analysierte und gelernt hat, Lungen zu erkennen, die typische Anzeichen von COVID-19 aufwiesen.

Eine als F-Score bezeichnete Messung beurteilt die Gesamtgenauigkeit eines Deep-Learning-Systems, das versucht, Muster und Anomalien auf digitalen rel="noopener noreferrer“ Bildern genau vorherzusagen. Im Wesentlichen ist der F-Score der Prozentsatz richtiger Vorhersagen, die vom Deep-Learning-System generiert werden.

Das Forschungspersonal von Cognex hat fast 14.000 Röntgenbilder im COVID-Net Datensatz analysiert. Die Bilder wurden in drei Kategorien unterteilt: normal, nicht durch COVID-19 hervorgerufene Lungenentzündung und COVID-19. Wie diese Tabelle des Vergleichs mehrerer DL-Pakete zeigt, lieferte COVID-Net Ergebnisse mit starkem Vorhersagewert, die von 92,6 % bei normalen Bildern bis zu 94,7 % bei COVID-19-Bildern reichen. VisionPro Deep Learning 1.0 war noch besser, 95,6 % bei normalen Röntgenbildern und 97,0 % bei COVID-19-Röntgenaufnahmen.

Abbildung 1

Studie 2: VisionPro Deep Learning baut seinen Vorsprung mit CT-Scans aus

Eine jüngere Arbeit des gleichen Forschungsteams von Cognex geht von Thorax-Röntgenbildern einen Schritt weiter zu CT-Scans. Obwohl viele Studien Erfolge bei der Erkennung von COVID-19-Bildern durch Verwendung von Deep Learning bei CT-Scans und Röntgenaufnahmen zeigten, benötigen die meisten Deep-Learning-Architekturen eine umfassende Programmierung, da sie keine grafische Benutzeroberfläche (GUI) zum Programmieren des Systems bieten. Für Radiolog*innen, die nicht genügend Kenntnisse im Bereich Deep Learning oder Programmierung haben, ist die Verwendung dieser Programme schwierig, geschweige denn, sie zu trainieren.

„Ein Hauptproblem beim Einsatz von Deep-Learning-Software besteht darin, dass ein Standardpaket, wie TensorFlow, Programmierer*innen benötigt, die ihre Modelle in einer textbasierten Terminalschnittstelle erstellen,“ so Vandenhirtz weiter. „VisionPro Deep Learning verfügt im Gegensatz dazu über eine benutzerfreundliche GUI, die keine Programmiererfahrung erfordert. Wenn Sie Microsoft Office lernen können, können Sie auch VisionPro DL lernen.“ Vandenhirtz ergänzte, dass Arjun Sarkar, der leitende Forscher im Projekt, nie mit VisionPro DL gearbeitet hatte, bevor er zu Cognex kam. Sarker erlernte innerhalb von zwei Monaten das Programm, führte die Studie durch und fasste die Erkenntnisse zusammen. Eine herkömmliche DL-Studie würde einige Personenjahre für den Aufbau eines Netzwerks, die Entwicklung von Modellen und das Trainieren von Algorithmen in Anspruch nehmen. VisionPro DL verkürzt diesen Zeitrahmen drastisch.

Die jüngste Untersuchung von Cognex, in deren Mittelpunkt Effizienz und Benutzerfreundlichkeit als die zwei wichtigsten Überlegungen für weitere Prüfungen standen, befasste sich mit der erfolgreichen Erkennung einer normalen, durch COVID-19 hervorgerufenen und einer nicht durch COVID hervorgerufenen Lungenentzündung. Darüber hinaus wurde untersucht, wie viel Training erforderlich ist, um hohe F-Score-Werte zu erzielen. Die folgende Arbeit „Detection of COVID-19 from Chest Computed Tomography (CT) images using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open Source Convolutional Neural Networks“ verwendet einen Bilddatensatz von Thorax-CTs von Linda Wangs Team des Labors für Vision und Bildverarbeitung der University of Waterloo, der mehr als 100.000 fachgerecht markierte Bilder enthält. Zusätzlich zu den CNNs insgesamt haben wir VisionPro Deep Learning von Cognex mit anderen hochmodernen CNNs verglichen, einschließlich der CNN-Architekturen COVID-Net-CT-A und COVID-Net-CT-B der University of Waterloo sowie der neuesten CNN-Architektur Xception von Google.

Wie die folgende Tabelle zeigt, hat VisionPro Deep Learning 1.0 von Cognex etwas besser als alle anderen CNN-Netzwerkarchitekturen abgeschnitten, mit F-Score-Werten > 99,4 in allen drei Klassen (normal, nicht durch COVID hervorgerufene Lungenentzündung und COVID-19). Bei dieser Ausgangsuntersuchung wurde der ursprüngliche Datensatz mit 100.000 Bildern von CT-Scans in zwei Gruppen aufgeteilt: eine Trainingsgruppe mit 61.783 Bildern und eine „Test“-Gruppe mit 21.191 Bildern, die nach dem Training von jedem CNN analysiert wurden.

Abbildung 2

Um einen besseren Einblick zu bekommen, wie viele Bilder zum „Trainieren“ eines bestehenden Röntgen-CNN erforderlich sind, damit es normale, COVID-19- und Pneumonie-Zustände bewerten kann, begann Cognex noch einmal von vorne, das Cognex CNN anhand von 26.338 Bildern anstatt von 61.000 zu trainieren. Wie die folgende Tabelle zeigt, wurden die F-Score-Werte der jeweiligen CNN verglichen. VisionPro Deep Learning von Cognex übertraf die anderen CNN-Architekturen mit F-Score-Werten > 99,1 für alle drei Bildklassen (normal, COVID-19, Pneumonie), während die hohen F-Score-Werte aller anderen CNNs auf hohe Achtziger- bis mittlere Neunzigerzahlen sanken, insbesondere in den beiden relevanten Krankheitsklassen: Pneumonie und COVID-19.

Abbildung 3

Deep Learning bietet Radiolog*innen ein leistungsstarkes Diagnosetool

Während die Erkenntnisse aus den ersten beiden Cognex-Studien noch von anderen medizinischen Forschenden überprüft werden müssen, sind die ersten Ergebnisse vielversprechend. Die Software wurde darüber hinaus noch nicht für den medizinischen Einsatz genehmigt.

Vandenhirtz sagte, dass das kurzfristige primäre Interesse des Unternehmens darin liege, der Ärzteschaft auf der ganzen Welt über die Möglichkeiten dieser Art der Software zu berichten. Sie könnte sich auch in Bereichen wie der Augenheilkunde als nützlich erweisen, die sich auf Bilder von den internen Mechanismen des Auges stützt.

Dennoch können Deep-Learning-Algorithmen das Wissen von medizinischem Personal nicht vollständig ersetzen, sagte Vandenhirtz. Sie sind jedoch wie das Stethoskop oder die Blutdruckmanschette ein nützliches Mittel, um dem Gesundheitspersonal zu helfen, seine Arbeit auf hohem Niveau durchzuführen.

„Wir glauben nicht, dass KI, zumindest auf kurze Sicht, in der Lage sein wird, eine Diagnose zu stellen“, stellte er abschließend fest. „VisionPro DL kann Empfehlungen abgeben, aber letzten Endes muss der Radiologe entscheiden, was das Bild bedeutet.“

Weitere Posts auf

ERHALTEN SIE ZUGANG ZU SUPPORT & TRAINING FÜR PRODUKTE & MEHR

Werden Sie Teil von MyCognex

SIE HABEN EINE FRAGE?

Cognex is weltweit vertreten, um Sie bei Ihren Vision- und Barcode-Anwendungen zu unterstützen.

Kontakt
Loading...