Blogs da Cognex

O VisionPro Deep Learning Identifica Imagens de Covid-19 em Raios-X do Pulmão

neural network brain image over lung x-rays

O recente sucesso na aplicação do software Cognex VisionPro® Deep Learning para a identificação de imagens de COVID-19 em raios-X pulmonares, superando vários outros modelos de deep learning desenvolvidos por grupos de pesquisa em ciências no mundo todo, foi avaliado por pares e publicado pela revista de líder inteligência artificial SN Computer Science, uma publicação da editora Springer. "Identificação de imagens da COVID-19 a Partir de Raios-X do Tórax com Deep Learning: Comparando o software VisionPro Deep Learning 1.0 da Cognex com Redes Neurais Convolucionais de Código Aberto"1 foi publicado em março de 2021 após vários meses de revisão científica por pares.

tomografias pulmonares no ambiente do software VisionPro Deep Learning

Mapas de calor de digitalização pulmonar

O artigo foi desenvolvido em um conjunto público de dados de raios-X de tórax, que foi elaborado pela Universidade de Waterloo. Como parte do experimento financiado pela Cognex, a equipe de Ciências da Vida da Cognex aplicou o software VisionPro Deep Learning 1.0 ao problema de identificação de imagens de COVID-19 analisando raios-X de tórax com resultados positivos da doença em comparação com raios-X de tórax de pacientes saudáveis ou com pneumonia que não fosse COVID-19. Em uma publicação científica, a equipe compara a eficácia de aplicar o software VisionPro Deep Learning na identificação das imagens de COVID-19 nas tomografias computadorizadas. A publicação também destaca como programar o software de forma mais rápida e fácil, com resultados significativamente positivos.

Raios-X, Tomografias Computadorizadas e COVID-19

As imagens médicas, como os Raios-X, podem dar aos médicos e radiologistas evidência visual de que os testes laboratoriais de COVID-19 são precisos. Além disso, o software com Deep Learning, que é programado de forma similar à forma como as crianças aprendem, em vez de utilizar estruturas matemáticas complexas, pode aliviar a carga de trabalho dos médicos através da análise de milhares de imagens médicas e identificação de anomalias para refutação ou apoio de um diagnóstico.

Pode vir a ser um obstáculo o fato de que a maioria das ferramentas de Deep Learning de código aberto exige um conhecimento considerável de programação do usuário. Não é razoável esperar que os profissionais da área da saúde, como médicos, radiologistas e outros clínicos, dominem estas ferramentas.

Neste verão, uma equipe de especialistas em Inteligência Artificial (IA) da Cognex decidiu ultrapassar este obstáculo com uma hipótese de base: Conseguiria o software de automação industrial da Cognex oferecer ao mundo uma alternativa de fácil utilização que pudesse corresponder ao desempenho das principais ferramentas de Deep Learning de código aberto? O estudo, intitulado "Identificação de imagens da COVID-19 a partir de Raios-X do Tórax com Deep Learning: Comparando o software VisionPro Deep Learning 1.0 da Cognex com Redes Neurais Convolucionais de Código Aberto", comparou a rede neural do computador (CNN) VisionPro Deep Learning da Cognex com vários CNNs de código aberto proeminentes para avaliação de raios X, incluindo VGG19, ResNet, DenseNet, Inception e também COVID-NET, uma CNN criada por inteligência artificial que foi especialmente adaptada para a detecção de COVID-19 em raios X de tórax, desenvolvida pela Universidade de Waterloo.

Depois de passar pela revisão dos pares, a publicação da autoria de Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa e Mitchell Riley, todos trabalhando na equipe de Ciências da Vida da Cognex, chamou a atenção de vários dos principais editores de pesquisas.

"Ficamos surpresos por saber que é fácil para o software diferenciar as patologias que são apresentadas nos Raios-X", afirmou Vandenhirtz, Especialista Sênior de Inteligência Artificial para Ciências da Vida da Cognex. "É quase impossível para os seres humanos perceberem diferenças nas imagens de Raios-X com diferentes patologias. Cinco radiologistas podem ter cinco opiniões diferentes sobre esses tipos de imagens".

Estudo 1: O VisionPro Deep Learning se destaca e fica acima da média

O estudo da Cognex foi criado com base nos resultados de um estudo de pesquisa na Universidade de Waterloo em Ontário, Canadá, intitulado "COVID-Net: Um Projeto de Rede Neural Convolucional Deep Learning Personalizado para Detecção de Casos da COVID-19 a partir de Imagens de Raios-X do Tórax". Usando aproximadamente 14 mil raios-X de tórax em um conjunto de dados chamado de "COVID-X", os coautores Linda Wang e Alexander Wong usaram inteligência artificial para criar a COVID-Net, uma rede neural sofisticada que analisa raios-X e aprende a identificar os pulmões com sinais indicadores da COVID-19.

Uma medição rel="noopener noreferrer" denominada pontuação F avalia a precisão global de um sistema de Deep Learning, que tenta de forma precisa prever padrões e anomalias nas imagens digitais. Essencialmente, a pontuação F é a proporção de previsões corretas versus erradas geradas pelo sistema de Deep Learning.

Pesquisadores da Cognex treinaram suas ferramentas de Deep Learning em quase 14 mil imagens de raio-X no conjunto de dados COVID-X. As imagens foram divididas em três categorias: normal, pneumonia não COVID-19 e COVID-19. Como esta tabela que compara múltiplos pacotes de Deep Learning mostra, a COVID-Net gerou fortes resultados preditivos, com Pontuações F de 92,6% em imagens normais a 94,7% para imagens de COVID-19. O VisionPro Deep Learning 1.0 fez ainda melhor, com Pontuações F de 95,6% em raios-X normais e 97,0% em raios-X de COVID-19.

Estudo 2: O VisionPro Deep Learning Alarga a Liderança com as Tomografias Computadorizadas

Uma publicação mais recente da Cognex, desenvolvida pela mesma equipe de pesquisa, analisa para além dos Raios-X do tórax e tomografias computadorizadas. Se muitos estudos demonstraram o sucesso na detecção de imagens de COVID-19 usando Deep Learning com tomografias computadorizadas e raios-X, a maioria dos mecanismos de varredura de Deep Learning necessita de extensa programação porque não oferece uma interface gráfica do usuário (GUI) para configurar o sistema. É difícil para os radiologistas sem conhecimento de Deep Learning ou programação usar estes programas, muito menos configurá-los.

tomografias pulmonares no ambiente do software VisionPro Deep Learning

Mapas de calor de digitalização pulmonar

"Um dos principais problemas na adoção do software com Deep Learning é que o pacote padrão, como o TensorFlow, requer que os programadores criem os seus modelos em uma interface terminal com base em texto", continuou Vandenhirtz. "O VisionPro Deep Learning, em contraste, possui uma interface do usuário gráfica (GUI) de fácil utilização que não requer experiência de programação. Se você consegue trabalhar com o Microsoft Office, também consegue com o VisionPro Deep Learning". Vandenhirtz acrescentou que Arjun Sarkar, investigador principal do projeto, nunca trabalhou com o VisionPro Deep Learning antes de se juntar à Cognex. Em um espaço de dois meses, Sarkar aprendeu o programa, conduziu a pesquisa e apresentou os seus resultados. Um estudo de Deep Learning convencional pode requerer horas de trabalho para criar uma rede, desenvolver modelos e configurar algoritmos. O VisionPro Deep Learning reduz dramaticamente esse tempo.

Tendo a eficácia e fácil utilização como duas considerações críticas para investigações futuras, a mais recente investigação da Cognex atestou o sucesso do VisionPro Deep Learning na identificação de imagens de COVID-19 e de pneumonia não COVID, bem como da quantidade necessária de treinamento para atingir elevadas Pontuações F. A publicação seguinte, "dentificação de Imagens da COVID-19 a Partir de Tomografia Computorizada (TC) do tórax Usando o Deep Learning: Comparação do Software VisionPro Deep Learning 1.0 da Cognex com Redes Neurais Convolucionais de Código Aberto", usa os dados de imagens de TC do tórax da equipe de Linda Wang no laboratório de Visão e Processamento de Imagem da Universidade de Waterloo, que inclui mais de 100 mil imagens habilmente rotuladas. Para além das redes neurais informáticas (CNN), usamos como referência o VisionPro Deep Learning da Cognex com outras CNN de vanguarda, incluindo os mecanismos de varredura de CNN COVID-Net-CT-A e COVID-Net-CT-B da Universidade de Waterloo, bem como o mais recente mecanismo de varredura CNN do Google, a Xception.

Tal como a tabela abaixo ilustra, o VisionPro Deep Learning 1.0 da Cognex apresentou um desempenho ligeiramente superior a todos os mecanismos de varredura de rede CNN com Pontuações F >99,4 em todas as três classes (normal, pneumonia não COVID e COVID-19). Esta investigação inicial dividiu o conjunto original de dados de digitalização de TC de 100 mil imagens em dois grupos: um grupo de treinamento de 61.783 imagens e um grupo de “teste” de 21.191 imagens, analisadas após treinamento por cada CNN.
 

resultados do gráfico da barra de pontuação f para tomografias computadorizadas

Para obter mais informações sobre quantas imagens são necessárias para "configuração" de uma CNN de raio-X existente para avaliar condições normais, COVID-19 e de pneumonia, a Cognex reiniciou, configurando sua CNN em 26.338 imagens ao invés de mais de 61.000. Como a tabela abaixo apresenta, as Pontuações F para cada CNN foram comparadas. O VisionPro Deep Learning da Cognex dominou os outros mecanismos de varredura CNN com Pontuações F >99,1 para todas as três classes de imagens (normal, COVID-19, pneumonia), enquanto todas as outras CNN caíram nas Pontuações F, classificando-se no topo dos oitenta para o meio dos noventa, especialmente em duas classes patológicas relevantes: pneumonia e COVID-19.

resultados do gráfico da barra de pontuação f para tomografias computadorizadas

Deep Learning Dá aos Radiologistas uma Poderosa Ferramenta de Diagnóstico

Embora os resultados dos primeiros dois estudos da Cognex ainda requeiram verificação por outros pesquisadores da área médica, os resultados iniciais são promissores. Além disso, o software ainda não foi aprovado para uso médico. 

Vandenhirtz afirmou que o principal interesse da empresa a curto prazo é apresentar à comunidade médica global as capacidades deste tipo de software. Isso também se pode revelar útil em áreas como a oftalmologia, que se baseia em imagens de mecanismos internos do olho.

"Apesar de todas as suas capacidades, os algoritmos de Deep Learning não podem substituir totalmente o conhecimento dos clínicos humanos", afirmou Vandenhirtz. Mas, como um estetoscópio ou um medidor de tensão arterial, constitui uma ferramenta útil para os profissionais de saúde desempenharem o seu trabalho ao mais elevado nível.

"Acreditamos, pelo menos a curto ou médio prazo, que a IA seja capaz de fazer um diagnóstico", concluiu. "O VisionPro Deep Learning pode fazer recomendações, mas em última instância é o radiologista que precisa decidir o que significa a imagem."

‏ Acesse o artigo da SN Computer Science aqui: Identificação de imagens da COVID-19 a Partir de Raios-X do Tórax com Deep Learning: Comparação do Software VisionPro Deep Learning 1.0™ da Cognex com Redes Neurais Convolucionais de Código Aberto.

 

1Citação de artigo da Springer: Sarkar, A., Vandenhirtz, J., Nagy, J. et al. Identificação de Imagens da COVID-19 a Partir de Raios-X do Tórax com Deep Learning: Comparação do Software VisionPro Deep Learning 1.0™ da Cognex com Redes Neurais Convolucionais de Código Aberto. N.º DE SÉRIE DO COMPUT. SCI. 2, 130 (2021). https://doi.org/10.1007/s42979-021-00496-w

 

Mais Publicações em

ACESSE O SUPORTE E TREINAMENTO DE PRODUTOS E MAIS

Junte-se ao MyCognex

TEM ALGUMA PERGUNTA?

Os representantes da Cognex estão disponíveis em todas as regiões do mundo para ajudar com as suas necessidades de visão e leitura industrial de códigos de barras

Fale Conosco