Blogs Cognex

VisionPro Deep Learning aide les radiologues à identifier les images de COVID-19 ou de pneumonie

Using deep learning to identify Covid in CT scans

La nouvelle maladie à coronavirus, appelée COVID-19 par l’Organisation mondiale de la Santé, est provoquée par une nouvelle catégorie de coronavirus connue comme le SRAS-CoV-2 (coronavirus du syndrome respiratoire aigu sévère 2). Le virus à ARN simple brin (acide ribonucléique) peut provoquer de graves infections respiratoires, susceptibles d’entraîner une hospitalisation et la mort. Pas loin de 55 millions de personnes ont été infectées dans le monde, dont 1,35 million ont trouvé la mort.

Actuellement, les scientifiques travaillent sans relâche à la mise au point de traitements et de vaccins pour protéger la population de la COVID-19. En attendant que leurs efforts portent leurs fruits, l’une des meilleures solutions a été de détecter tôt le virus et d’isoler les personnes infectées en les mettant en quarantaine pour éviter la propagation de la maladie. Le test RT-PCR (reverse transcription-polymerase chain reaction, réaction en chaîne par polymérase après transcription inverse) en temps réel, pour lequel le prélèvement se fait par écouvillon nasopharyngé, mesure les niveaux d’ARN dans l’organisme et a été utilisé pour obtenir le diagnostic le plus précis de la COVID-19. Cependant, il faut plusieurs heures pour effectuer le test et les retards peuvent entraîner des délais d’attente encore plus longs. Une méthode plus précise et efficace pour diagnostiquer la COVID-19 consiste à utiliser la radiographie et la tomodensitométrie.

Au cours de l’été 2020, une équipe de chercheurs médicaux a appliqué le logiciel VisionPro Deep Learning (DL) de Cognex à la détection du coronavirus par l’analyse des radiographies thoraciques et les résultats se sont révélés positifs. Dans un article ultérieur, l’équipe compare l’efficacité du logiciel VisionPro DL dans l’identification des indications de COVID-19 sur des images tomodensitométriques. L’article a également étudié la méthode permettant de programmer le logiciel encore plus rapidement et plus facilement, avec là encore des résultats très positifs.

Radiographies, images tomodensitométriques, et COVID-19

Les images médicales comme les radiographies donnent aux médecins et aux radiologues une preuve visuelle que les tests de dépistage de la COVID-19 en laboratoire sont précis. De plus, les réseaux neuronaux du Deep Learning, qui apprennent comme les enfants, c’est-à-dire à l’aide d’exemples, peuvent alléger la charge de travail des cliniciens en analysant des milliers d’images médicales et en identifiant les anomalies qui réfutent ou étayent un diagnostic.

Il n’y a qu’un seul obstacle : les outils de Deep Learning open source les plus populaires sont difficiles à utiliser et exigent une grande expérience en programmation. Il n’est pas réaliste d’attendre des professionnels de la santé, tels que les médecins, les radiologues et autres cliniciens, qu’ils maîtrisent ces outils.

Cet été, une équipe d’experts en intelligence artificielle (IA) de Cognex a entrepris de surmonter cet obstacle avec une hypothèse fondamentale : le logiciel d’automatisation industrielle de Cognex peut-il offrir une alternative simple d’utilisation aussi performante que les meilleurs outils de Deep Learning open source au monde ? L’étude, intitulée « 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 », comparait le réseau neuronal informatique de Cognex VisionPro DL à plusieurs réseaux neuronaux informatiques open source pour l’évaluation des radiographies, notamment VGG19, ResNet, DenseNet, et Inception. Depuis qu’il a passé la phase d’évaluation par les pairs, l’article, dont les auteurs sont Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa et Mitchell Riley, qui font tous partie de l’équipe dédiée aux sciences de la vie de Cognex, a attiré l’attention de plusieurs des principaux éditeurs de recherches.

« Nous avons été surpris d’apprendre que le logiciel différencie facilement les pathologies qui apparaissent sur les radiographies », déclare M. Vandenhirtz, expert principal en IA pour les sciences de la vie chez Cognex. « Il est pratiquement impossible pour les humains de comprendre les différences entre les radiographies de différentes pathologies. Cinq radiologues peuvent donner chacun un avis différent sur ces types d’images. »

Étude 1 : VisionPro DL se démarque et arrive en tête

L’étude de Cognex, qui s’appuie sur les résultats de chercheurs de l’Université de Waterloo, dans l’Ontario, au Canada, s’intitule « COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images. » Près de 14 000 radiographies thoraciques ont été rassemblées dans un ensemble de données appelé COVIDx. Les coauteurs Linda Wang et Alexander Wong ont utilisé des logiciels de DL open source pour créer COVID-Net, un réseau neuronal sophistiqué qui a analysé les radiographies et a appris à identifier les poumons qui présentaient des signes de la COVID-19.

Une mesure appelée score F évalue la précision globale d’un système basé sur le Deep Learning qui tente de prédire avec précision les modèles et les anomalies sur des images numériques. En résumé, le score F désigne le pourcentage de prédictions correctes générées par le système basé sur le Deep Learning.

Les chercheurs de Cognex ont analysé pas loin de 14 000 radiographies issues de l’ensemble de données COVID-Net. Les images ont été divisées en trois catégories : normales, pneumonie autre que la COVID-19 et COVID-19. Comme indiqué dans ce tableau qui compare plusieurs logiciels de DL, COVID-Net a produit des résultats prédictifs fiables, allant de 92,6 % sur des images normales à 94,7 % sur des images de la COVID-19. VisionPro Deep Learning 1.0 a fait encore mieux, avec 95,6 % sur des radiographies normales et 97,0 % sur des radiographies de la COVID-19.

Picture1

Étude 2 : VisionPro Deep Learning creuse l’écart avec les images tomodensitométriques

Un article plus récent de Cognex rédigé par la même équipe de recherche va plus loin en s’intéressant aux images tomodensitométriques. Alors que de nombreuses études ont démontré le succès de la détection des images de COVID-19 à l’aide du Deep Learning sur les radiographies et les images tomodensitométriques, la plupart des architectures basées sur le Deep Learning nécessitent une programmation avancée, car elles ne proposent pas d’interface utilisateur graphique pour programmer le système. Les radiologues qui manquent de connaissances sur le Deep Learning et la programmation ont du mal à utiliser ces programmes, sans parler de les entraîner.

« Le fait que, lors de l’adoption d’un logiciel basé sur le Deep Learning, un progiciel standard, comme TensorFlow, exige des programmeurs qu’ils conçoivent leurs modèles dans une interface utilisateur textuelle est un problème majeur », poursuit M. Vandenhirtz. « VisionPro Deep Learning, à l’inverse, propose une interface utilisateur graphique intuitive qui ne nécessite aucune expérience préalable en programmation. Si vous pouvez apprendre à utiliser Microsoft Office, alors vous pourrez aussi apprendre à utiliser VisionPro DL. » M. Vandenhirtz précise que Arjun Sarkar, chercheur principal sur le projet, n’avait jamais travaillé avec VisionPro DL avant de rejoindre Cognex. En deux mois, M. Sarkar a appris à utiliser le programme, a mené la recherche et a rédigé ses conclusions. Une étude sur le Deep Learning classique nécessiterait des années-personnes pour créer un réseau, développer un modèle et entraîner les algorithmes. VisionPro DL réduit considérablement ce délai.

L’efficacité et la facilité d’utilisation étant deux conditions essentielles pour les études à mener, la dernière recherche de Cognex a porté sur les performances de VisionPro DL dans l’identification de la COVID-19 et de la pneumonie autre que la COVID-19, ainsi que sur le niveau d’apprentissage nécessaire pour obtenir des scores F élevés. L’article consécutif, « 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 », utilise un ensemble d’images thoraciques tomodensitométriques de l’équipe de Linda Wang au Vision and Image Processing Lab de l’Université de Waterloo, qui inclut plus de 100 000 images étiquetées par des experts. En plus des réseaux neuronaux informatiques dans leur ensemble, nous avons comparé VisionPro Deep Learning de Cognex à d’autres réseaux neuronaux informatiques de pointe, notamment les architectures de l’Université de Waterloo COVID-Net-CT-A et COVID-Net-CT-B, ainsi que la dernière architecture de Google, Xception.

Comme le montre le tableau ci-dessous, VisionPro Deep Learning 1.0 de Cognex a réalisé des performances légèrement supérieures à celles de toutes les autres architectures de réseau avec des scores F supérieurs à 99,4 dans les trois catégories (normales, pneumonie autre que la COVID-19, COVID-19). Pour cette première étude, l’ensemble des 100 000 images tomodensitométriques a été divisé en deux groupes : un groupe d’apprentissage de 61 783 images et un groupe de « test » de 21 191 images, ces dernières ayant été analysées après l’apprentissage par chaque réseau neuronal informatique.

Picture2

Pour mieux comprendre combien d’images sont nécessaires pour « entraîner » un réseau neuronal informatique existant à la détection des états normaux, de la COVID-19 et de la pneumonie, Cognex a recommencé, en entraînant son réseau neuronal informatique sur 26 338 images au lieu de plus de 61 000. Dans le tableau ci-dessous, les scores F de chaque réseau neuronal informatique ont été comparés. VisionPro Deep Learning de Cognex a surpassé les autres architectures de réseaux neuronaux informatiques avec des scores F supérieurs à 99,1 % pour les trois catégories d’images (normales, COVID-19 et pneumonie), tandis que les autres réseaux neuronaux informatiques ont chuté à des scores compris entre 80 et 95, en particulier pour les deux catégories pathologiques concernées : pneumonie et COVID-19.

Picture3

Le Deep Learning fournit aux radiologues un outil de diagnostic puissant

Bien que les résultats des deux premières études de Cognex doivent encore être vérifiés par d’autres chercheurs médicaux, les premiers résultats sont prometteurs. Par ailleurs, le logiciel n’a pas encore été approuvé pour un usage médical.

M. Vandenhirtz a indiqué que le principal intérêt à court terme de l’entreprise est de faire connaître à la communauté médicale mondiale les capacités de ce type de logiciel. Il pourrait également s’avérer utile dans des domaines comme l’ophtalmologie, qui s’appuie sur des images des mécanismes oculaires internes.

Malgré toutes leurs capacités, les algorithmes de Deep Learning ne peuvent pas remplacer totalement la sagesse des cliniciens humains, précise M. Vandenhirtz. Mais, comme le stéthoscope ou le brassard du tensiomètre, il s’agit d’un outil utile pour aider les professionnels de la santé à exercer leur métier dans des conditions optimales.

« Nous ne pensons pas, du moins à court ou moyen terme, que l’IA sera capable d’établir un diagnostic », a-t-il conclu. « VisionPro DL peut donner des recommandations, mais c’est au radiologue qu’il revient de décider de la signification de l’image. »

Plus d’articles

ACCÉDEZ AU SUPPORT ET AUX FORMATIONS POUR VOS PRODUITS ET BIEN PLUS

Rejoindre MyCognex

AVEZ-VOUS DES QUESTIONS ?

Les représentants de chez Cognex sont disponibles dans le monde entier pour soutenir votre vision et vos besoins de lecture de codes-barres industriels.

Contact commercial
Loading...