• Contatto vendite Cognex: 02 30578196

  • Contatti

Blog Cognex

Il Deep Learning VisionPro individua immagini di Covid-19 nelle radiografie ai polmoni

neural network brain image over lung x-rays

Il recente successo nell'applicazione del software di Cognex Deep Learning VisionPro® all'individuazione di immagini di COVID-19 nelle radiografie ai polmoni (battendo diversi altri modelli di deep learning sviluppati da gruppi di ricerca sulle scienze biologiche in tutto il mondo) è stato sottoposto a esame inter pares ed è stato pubblicato dalla principale rivista di intelligenza artificiale, SN Computer Science, una pubblicazione Spring. Lo studio, intitolato "Identificazione delle immagini di COVID-19 da radiografie ai polmoni utilizzando il deep learning: confronto del software Cognex Deep Learning VisionPro 1.0 con le reti neurali convoluzionali open source"1 è stato pubblicato a marzo del 2021 dopo diversi mesi di revisione tra pari.

TAC dei polmoni nell'ambiente software del Deep Learning VisionPro

Mappe di calore di scansioni polmonari

L'articolo è stato sviluppato su una serie di dati pubblici di radiografie del torace fornite dall'Università di Waterloo. Nel contesto dell'esperimento finanziato da Cognex, il team di scienze biologiche di Cognex ha applicato il software Deep Learning VisionPro 1.0 al problema dell'individuazione di immagini di COVID-19 analizzando radiografie del torace con risultati positivi COVID-19 rispetto a radiografie del torace di pazienti sani o di pazienti affetti da polmonite non dovuta al COVID-19. In un articolo successivo, il team confronta l'efficacia dell'applicazione del software Deep Learning VisionPro all'individuazione di immagini di COVID-19 nelle scansioni TC. Il documento ha esaminato altresì come programmare il software in modo ancora più rapido e semplice, ancora una volta con risultati significativamente positivi.

Radiografie, scansioni TC e COVID-19
 
Le immagini mediche come le radiografie possono fornire a medici e radiologi prove visive che i test di laboratorio COVID-19 sono precisi. Inoltre, il software Deep Learning, che viene programmato in maniera analoga al modo in cui un bambino apprende piuttosto che attraverso complesse nozioni matematiche, può alleggerire il carico di lavoro dei medici analizzando migliaia di immagini mediche e individuando anomalie che confutano o supportano una diagnosi.

Un ostacolo può essere costituito dal fatto che gli strumenti open-source di Deep Learning più noti possono richiedere notevoli competente in materia di programmazione per poter essere utilizzati. Non è pratico aspettarsi che operatori sanitari quali medici, radiologi e altri professionisti sanitari padroneggino tali strumenti.

Quest'estate, un team di esperti di intelligenza artificiale (IA) di Cognex ha deciso di superare questo ostacolo con un'ipotesi di base: il software di automazione industriale di Cognex può fornire un'alternativa di facile utilizzo rispetto ai migliori strumenti di deep learning open source al mondo, ovvero un'alternativa in grado di offrire prestazioni equivalenti? Lo studio, intitolato "Identificazione delle immagini di COVID-19 da radiografie del torace utilizzando il deep learning: confronto del software Cognex Deep Learning VisionPro 1.0 con le reti neurali convoluzionali open source", ha confrontato la rete neurale di computer (CNN) del Deep Learning VisionPro di Cognex con diversi CNN open-source importanti per la valutazione di radiografie, tra i quali VGG19, ResNet, DenseNet, Inception e anche COVID-NET una CNN creata dall'intelligenza artificiale realizzata specificamente su misura per individuare il COVID-19 nelle radiografie al torace, sviluppato dall'Università di Waterloo.

Da quando ha superato la revisione tra pari, il documento, scritto da Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa e Mitchell Riley, che lavorano tutti nel team di scienze biologiche di Cognex, ha attirato l'attenzione di diversi importanti editori di ricerca.

"Siamo rimasti sorpresi nell'apprendere che è facile per il software distinguere tra le patologie che si manifestano nelle radiografie", ha affermato Vandenhirtz, esperto di intelligenza artificiale senior di Cognex nel settore delle scienze biologiche. "È quasi impossibile per gli esseri umani cogliere le differenze nelle immagini delle radiografie con patologie diverse. Cinque radiologi possono fornire cinque opinioni diverse su questo tipo di immagini".

Studio 1: Deep Learning VisionPro si distingue, spicca

Studio di Cognex basato sui risultati dei ricercatori dell'Università di Waterloo in Ontario, Canada, intitolato "COVID-Net: un progetto di rete neurale convoluzionale profonda su misura per il rilevamento di casi COVID-19 da immagini radiografiche del torace". Utilizzo di quasi 14.000 radiografie del torace in una serie di dati chiamata COVID-X. I coautori Linda Wang e Alexander Wong hanno utilizzato l'intelligenza artificiale per costruire COVID-Net, una sofisticata rete neurale che ha analizzato le radiografie e appreso ad individuare i polmoni che presentavano segni rivelatori di COVID-19.

Una misurazione denominata F-score (punteggio F) valuta la precisione complessiva di un sistema di deep learning, che tenta di prevedere con precisione modelli e anomalie sulle immagini digitali. In sostanza, il punteggio F è il rapporto tra le previsioni corrette e quelle sbagliate generate dal sistema di deep learning.

I ricercatori di Cognex hanno addestrato i loro strumenti di Deep Learning su quasi 14.000 immagini di radiografie nella serie di dati COVID-X. Le immagini sono state suddivise in tre categorie: polmonite normale, non COVID-19 e COVID-19. Come mostra questa tabella che confronta più pacchetti di deep learning, COVID-Net ha generato forti risultati predittivi, con punteggi F che vanno dal 92,6% per le immagini normali al 94,7% per le immagini COVID-19. Deep Learning VisionPro 1.0 ha fatto ancora meglio, con punteggi F pari al 95,6% per le radiografie normali e al 97,0% per le radiografie COVID-19.

Studio 2: Deep Learning VisionPro amplia il proprio vantaggio sulle scansioni TC

Un documento Cognex più recente sviluppato dallo stesso gruppo di ricerca guarda oltre le radiografie del torace alle scansioni TC del torace. Mentre molti studi hanno dimostrato il successo nel rilevare immagini di COVID-19 utilizzando il deep learning nelle scansioni TC e nelle radiografie, la maggior parte delle architetture di deep learning necessita di una programmazione approfondita perché non offrono un'interfaccia grafica utente (GUI) per addestrare il sistema. Può essere difficile per i radiologi che non hanno conoscenze di deep learning o di programmazione utilizzare questi programmi, figuriamoci addestrarli.

TAC dei polmoni nell'ambiente software del Deep Learning VisionPro

Mappe di calore di scansioni polmonari

"Un grosso problema nell'adozione del software di deep learning è che un pacchetto standard, come TensorFlow, richiede ai programmatori di creare i propri modelli in un'interfaccia terminale basata su testo", ha continuato Vandenhirtz. "Deep Learning VisionPro, al contrario, ha una GUI di facile utilizzo che non richiede esperienza di programmazione. Se puoi imparare a usare Microsoft Office, allora puoi imparare a usare Deep Learning VisionPro". Vandenhirtz ha aggiunto che Arjun Sarkar, capo ricercatore del progetto, non aveva mai lavorato con Deep Learning VisionPro prima di entrare a far parte di Cognex. In due mesi, Sarkar ha appreso il programma, condotto la ricerca e scritto i risultati. Uno studio sul deep learning convenzionale potrebbe richiedere anni-uomo per costruire una rete, sviluppare modelli e addestrare algoritmi. Deep Learning VisionPro riduce drasticamente quel lasso di tempo.

Essendo l'efficacia e la facilità di utilizzo due considerazioni fondamentali per le indagini successive, l'ultima indagine di Cognex ha esaminato il successo di Deep Learning VisionPro nell'individuazione della polmonite COVID-19 normale e dovuta a COVID, nonché la quantità di formazione necessaria per ottenere punteggi F elevati. Il documento che ne è risultato "Identificazione delle immagini di COVID-19 da radiografie del torace utilizzando il deep learning: confronto del software Cognex Deep Learning VisionPro 1.0 con le reti neurali convoluzionali open source" utilizza una serie di dati di immagini TC del torace del team di Linda Wangs presso il Vision and Image Processing Lab dell'Università di Waterloo, che include oltre 100.000 immagini taggate da esperti. Oltre alle CNN in totale, il Deep Learning VisionPro di Cognex è stato confrontato con altre CNN all'avanguardia, comprese le architetture CNN dell'Università di Waterloo COVID-Net-CT-A e COVID-Net-CT-B, nonché l'ultima architettura CNN di Google Xception.

Come illustra la tabella seguente, Deep Learning VisionPro 1.0 di Cognex ha funzionato leggermente meglio di tutte le altre architetture di rete CNN con punteggi F >99.4 in tutte e tre le classi (normale, polmonite non-COVID e COVID-19). Questa indagine iniziale ha suddiviso la serie di dati della scansione TC originale di 100.000 immagini in due gruppi: un gruppo di addestramento di 61.783 immagini e un gruppo "di prova" di 21.191 immagini, che sono state analizzate dopo l'addestramento da ciascuna CNN.
 

Risultati grafico barra punteggi f per le scansioni TAC

Per ottenere maggiori informazioni sul numero di immagini necessarie per "addestrare" una CNN di radiografia esistente per valutare le condizioni normali, COVID-19 e polmonite, Cognex ha ricominciato, addestrando la CNN Cognex su 26.338 immagini invece di più di 61.000. Come mostra la tabella seguente, sono stati confrontati gli F-score per ciascuna CNN. Deep Learning VisionPro di Cognex ha dominato le altre architetture CNN con F-score >99.1 per tutte e tre le classi di immagini (normale, COVID-19, polmonite), mentre tutte le altre CNN sono scese a punteggi F che vanno dagli alti ottanta alla metà dei novanta, soprattutto nelle due classi patologiche rilevanti: polmonite e COVID-19.

Risultati grafico barra punteggi f per le scansioni TAC

Il deep learning offre ai radiologi un potente strumento diagnostico

Sebbene i risultati dei primi due studi di Cognex richiedano ancora la verifica da parte di altri ricercatori medici, i risultati iniziali sono promettenti. Inoltre, il software non è stato ancora approvato per uso medico.

Vandenhirtz ha detto che il principale interesse a breve termine dell'azienda è quello di informare la comunità medica globale delle capacità di questo tipo di software. Esso potrebbe anche rivelarsi utile in aree come l'oftalmologia, che si basa su immagini dei meccanismi interni dell'occhio.

Nonostante tutte le loro capacità, gli algoritmi di deep learning non possono sostituire completamente la saggezza dei medici umani, ha affermato Vandenhirtz. Ma, come lo stetoscopio o il bracciale per la pressione sanguigna, si tratta di uno strumento utile per aiutare gli operatori sanitari a svolgere il proprio lavoro ad alto livello.

"Non riteniamo, almeno nel breve e medio termine, che l'intelligenza artificiale sia in grado di fare una diagnosi", ha concluso. "Deep Learning VisionPro può fornire raccomandazioni, ma alla fine spetta al radiologo decidere come interpretare l'immagine".

Lo studio, intitolato:Identificazione delle immagini di COVID-19 da radiografie del torace utilizzando il deep learning: confronto del software COGNEX Deep Learning VisionPro 1.0™ con le reti neurali convoluzionali open source.

 

1citazione dell'articolo 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

 

Altri post in merito a

OTTIENI L’ACCESSO AD ASSISTENZA E FORMAZIONE IN MERITO AI PRODOTTI E MOLTO ALTRO ANCORA

Entra a far parte di MyCognex

AVETE DELLE DOMANDE?

I rappresentanti Cognex sono disponibili in tutto il mondo per supportarvi nelle vostre necessità di lettura dei codici a barre industriali

CONTATTI