Blogs de Cognex

VisionPro Deep Learning identifica imágenes de COVID-19 en radiografías pulmonares

neural network brain image over lung x-rays

El éxito reciente del uso del software VisionPro® Deep Learning de Cognex para identificar imágenes de COVID-19 en radiografías pulmonares —con mejores resultados que otros modelos de aprendizaje profundo desarrollados por grupos de investigación de ciencias de la vida de todo el mundo— fue evaluado por pares y publicado en la revista científica líder de inteligencia artificial SN Computer Science, una publicación de Springer. “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”1 [Identificación de imágenes de COVID-19 a partir de radiografías de tórax mediante aprendizaje profundo: comparación del software Cognex VisionPro Deep Learning 1.0 con redes neuronales convolucionales de código abierto] se publicó en marzo de 2021 después de varios meses en evaluación científica por pares.

TAC pulmonar en el entorno del software VisionPro Deep Learning

Mapas térmicos de escaneos pulmonares

El trabajo se desarrolló a partir de un conjunto de datos públicos de radiografías de tórax proporcionado por la Universidad de Waterloo. Como parte del experimento fundado por Cognex, el equipo de ciencias de la vida de Cognex utilizó el software VisionPro Deep Learning 1.0 para identificar imágenes de COVID-19 al analizar radiografías de tórax con resultado positivo para COVID-19 vs. radiografías de tórax de pacientes sanos o con neumonía no causada por COVID-19. En un trabajo posterior, el equipo compara la eficacia de aplicar el software VisionPro Deep Learning para identificar imágenes de COVID-19 en TC. En este trabajo también analiza cómo programar el software de forma más rápida y simple, también con resultados positivos.

Radiografías, TC y COVID-19
 
Imágenes clínicas, como las radiografías, pueden brindarles a los médicos y radiólogos evidencia visual de que las pruebas de laboratorio para COVID-19 son precisas. Además, el software de aprendizaje profundo, que se programa de forma similar a cómo aprende un niño en lugar de mediante matemáticas complejas, puede aligerar la carga de trabajo de los médicos al analizar miles de imágenes e identificar anomalías que refutan o confirman un diagnóstico.

Un obstáculo puede ser que las herramientas de aprendizaje profundo de código abierto más populares necesitan de mucha experiencia en programación para ser utilizadas. No es razonable esperar que los trabajadores de la salud, como médicos, radiólogos y otros clínicos, dominen estas herramientas.

Este verano, un equipo de expertos en inteligencia artificial (IA) de Cognex se propuso resolver este problema a partir de una hipótesis base: ¿Podría el software para automatización industrial de Cognex ser una alternativa fácil de usar a las herramientas de aprendizaje profundo de código abierto líderes con el mismo rendimiento? El estudio, titulado “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” comparó la red neural computacional (CNN) de VisionPro Deep Learning de Cognex con múltiples CNN de código abierto importantes para la evaluación de radiografías —como, VGG19, ResNet, DenseNet, Inception y COVID-NET, una CNN creada por inteligencia artificial realizada especialmente para detectar COVID-19 en radiografías de tórax desarrollada por la Universidad de Waterloo.

Desde que pasó por la revisión por pares, el trabajo escrito por Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa y Mitchell Riley —todos parte del equipo de ciencias de la vida de Cognex— ha llamado la atención de varias grandes editoriales de investigación.

“Nos sorprendió ver lo fácil que fue para el software diferenciar entre las patologías que se detectan mediante radiografías”, comenta Vandenhirtz, experto principal de IA en ciencias de la vida de Cognex. “Es casi imposible para los humanos detectar las diferencias en las imágenes de las radiografías de diferentes patologías. Cinco radiólogos pueden brindar cinco opiniones distintas sobre estas imágenes”.

Estudio 1: VisionPro Deep Learning se destaca y es superior

El estudio de Cognex se basó en los hallazgos de investigadores de la Universidad de Waterloo en Ontario (Canadá), denominado “COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images” [COVID-Net: un diseño personalizado de red neuronal convolucional profunda para detectar casos de COVID-19 a partir de radiografías de tórax]. A partir de casi 14.000 radiografías de tórax en un conjunto de datos denominado COVID-X, los coautores, Linda Wang y Alexander Wong utilizaron inteligencia artificial para desarrollar COVID-Net, una red neuronal sofisticada que analizó las radiografías y aprendió a identificar pulmones que presentaban indicios de COVID-19.

Una rel="noopener noreferrer" medida llamada valor F evalúa la precisión general de un sistema de aprendizaje profundo, que intenta predecir con exactitud patrones y anomalías en imágenes digitales. En términos simples, el valor F es la tasa de predicciones correctas versus incorrectas realizadas por el sistema de aprendizaje profundo”.

Los investigadores de Cognex entrenaron a sus herramientas de aprendizaje profundo con casi 14.000 radiografías en el conjunto de datos COVID-X. Las imágenes se clasificaron en tres categorías: normal, neumonía no causada por COVID-19 y COVID-19. Como vemos en esta tabla que compara los múltiples paquetes de aprendizaje profundo, COVID-Net tuvo resultados predictivos robustos, con valores F entre 92.6% en las imágenes normales a 94.7% en las imágenes de COVID-19. VisionPro Deep Learning 1.0 tuvo un resultado incluso mejor, con valores F de 95.6% en las radiografías normales y 97.0% en las radiografías de COVID-19.

Estudio 2: VisionPro Deep Learning amplía su liderazgo en imágenes de TC

Un trabajo más reciente de Cognex desarrollado por el mismo equipo de investigación pasa de las radiografías de tórax a los estudios de TC de tórax. Aunque muchos estudios han demostrado el éxito en la detección de imágenes de COVID-19 utilizando el aprendizaje profundo con TC y radiografías, la mayoría de las arquitecturas de aprendizaje profundo necesitan una extensa programación porque no ofrecen una interfaz gráfica de usuario (GUI) para programar el sistema. Usar estos programas puede ser difícil para los radiólogos sin conocimiento en aprendizaje profundo o programación, e incluso más complejo les sería entrenarlos.

TAC pulmonar en el entorno del software VisionPro Deep Learning

Mapas térmicos de escaneos pulmonares

“Un gran problema de la adopción del software de aprendizaje profundo que es un paquete cerrado, como TensorFlow, es que requiere que los programadores desarrollen sus modelos en una interfaz terminal basada en texto”, agregó Vandenhirtz. “Por su lado, VisionPro Deep Learning cuenta con una interfaz gráfica de usuario amigable que no necesita de experiencia en programación. Si es capaz de aprender a usar Microsoft Office, puede aprender a usar VisionPro Deep Learning”. Vandenhirtz también comentó que Arjun Sarkar, el investigador principal del proyecto, nunca había usado VisionPro Deep Learning antes de unirse a Cognex. En dos meses, Sarkar aprendió a usar el programa, dirigió la investigación y escribió los hallazgos. Un estudio de aprendizaje profundo convencional lleva años-hombre para construir una red, desarrollar modelos y entrenar algoritmos. VisionPro Deep Learning reduce significativamente esos plazos.

Con la eficacia y la facilidad de uso como dos consideraciones fundamentales para las investigaciones posteriores, la última investigación de Cognex analizó el éxito de VisionPro Deep Learning en la identificación de imágenes de neumonía por COVID-19 y por otras causas, así como el grado de formación necesario para lograr valores F elevados. En el artículo posterior, “Identification of images of COVID-19 from Chest Computed Tomography (CT) scans using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open - Source Convolutional Neural Networks” [Detección de la COVID-19 a partir de imágenes de tomografías computarizadas de tórax con aprendizaje profundo: comparación del software VisionPro Deep Learning 1.0 de Cognex con redes neuronales convolucionales de código abierto] se utilizó una base de datos de imágenes de TC del equipo de Linda Wang del Laboratorio de visión y procesamiento de imágenes de la Universidad de Waterloo, que incluye más de 100,000 imágenes etiquetadas por expertos. Además de las CNN, comparamos VisionPro Deep Learning de Cognex con otras CNN de última generación, incluidas las arquitecturas CNN COVID-Net-CT-A y COVID-Net-CT-B de la Universidad de Waterloo, así como la arquitectura CNN más reciente de Google, Xception.

Como se muestra en la siguiente tabla, VisionPro Deep Learning 1.0 de Cognex tuvo un rendimiento algo mejor que el resto de las arquitecturas de las redes CNN, con un valor F de 99.4 en las tres clases (normal, neumonía no por COVID y COVID-19). Esta investigación inicial dividió el conjunto de 100,000 imágenes de TC en dos grupos: un grupo de entrenamiento de 61,783 imágenes y un grupo de “prueba” de 21,191 imágenes que fueron analizadas luego de entrenar en cada CNN.
 

Resultado del gráfico de barras de valores F de la TAC

Para entender mejor cuántas imágenes se necesitan para “entrenar” un CNN de radiografías existente para evaluar condiciones normales, COVID-19 y neumonía, Cognex volvió a empezar y entrenó a su CNN con 26,338 imágenes en lugar de más de 61,000. En la siguiente tabla se muestra la comparación de los valores F de cada CNN. VisionPro Deep Learning de Cognex dominó a las demás arquitecturas CNN con valores F de 99.1 para las tres clases de imágenes (normal, COVID-19, neumonía), mientras que todas las demás CNN tuvieron valores F de entre casi noventa hasta poco más de noventa y cinco, especialmente en las dos clases patológicas relevantes: neumonía y COVID-19.

Resultado del gráfico de barras de valores F de la TAC

El aprendizaje profundo les proporciona a los radiólogos una poderosa herramienta de diagnóstico

Si bien los hallazgos de los dos primeros estudios de Cognex deben ser verificados por otros investigadores médicos, los resultados iniciales son prometedores. Asimismo, el software todavía no cuenta con autorización para su uso en medicina.

Vandenhirtz ha dicho que el principal interés de la empresa a corto plazo es dar a conocer a la comunidad médica mundial las capacidades de este tipo de software. También podría ser útil en áreas como la oftalmología, que se basa en imágenes de los mecanismos internos del ojo.

Debido a todas sus capacidades, los algoritmos de aprendizaje profundo no pueden reemplazar en su totalidad la sabiduría de los clínicos humanos, comentó Vandenhirtz. Sin embargo, al igual que el estetoscopio o el manguito de presión arterial, es una herramienta útil para ayudar a los profesionales de la salud a realizar su trabajo a un alto nivel.

“No creemos, al menos en el corto a mediano plazo, que la IA sea capaz de diagnosticar”, concluyó. “VisionPro Deep Learning puede realizar recomendaciones, pero en última instancia es decisión del radiólogo determinar qué significa la imagen”.

Acceda al artículo en SN Computer Science aquí: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.

 

1Cita del artículo en Springer: Sarkar, A., Vandenhirtz, J., Nagy, J. et al. 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. SN COMPUT. SCI. 2, 130 (2021). https://doi.org/10.1007/s42979-021-00496-w

 

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex

¿Tiene alguna pregunta?

Los representantes de Cognex están disponibles en todo el mundo para respaldar sus necesidades de visión y de lectura de códigos de barras industriales.

Contáctenos
Loading...