aio-x-para-auxilio-na-decisao-clinica-de-COVID-19
所属分类:内容生成
开发工具:Jupyter Notebook
文件大小:7572KB
下载次数:0
上传日期:2020-05-18 03:35:29
上 传 者:
sh-1993
说明: 第二部分“IA E CIêNCIA DE DADOS PARA APOIO A DECIS O CLíNICA”在巴西中心举行的黑客马拉松Hackcovid19...
(Parte 2 do desafio "IA E CIêNCIA DE DADOS PARA APOIO A DECIS?O CLíNICA" da Hackathon Hackcovid19 do Centro Brasileiro de Pesquisas Físicas, modelo de Deep Neural fazendo diagnostico em radiografias de pulm?o.)
文件列表:
Descri__o do Processo de Treino .ipynb (874034, 2020-05-18)
modelo.h5 (9791520, 2020-05-18)
# Deep Learning na analise de imagens de radiografias para auxilio na decisao clinica do COVID-19
Parte 2 do desafio "IA E CIENCIA DE DADOS PARA APOIO A DECISAO CLINICA" da Hackathon 'Hackcovid19' do Centro Brasileiro de Pesquisas Fisicas, tentamos demonstrar a possibilidade de usar um modelo de Deep Neural para gerar diagnosticos em radiografias de pulmao, dado o cenario onde se torna impossivel usar teste rapidos ou teste laboratoriais em todos os pacientes, o uso de radiografias para diagnosticar Covid ou qualquer outra enfermidade se torna uma opcao viavel.
Parte 1 do projeto: https://github.com/Gremling-Machine-Learning-Study-Group/Estimativa-de-mortes-por-COVID-19-subnotificadas-no-Brasil---D051---HACKCOVID-19/blob/master/README.md
Pagina do projeto no Devpost: https://devpost.com/software/test_deep_covid-19#updates
Pitch para a Hackathon (Apenas video): https://www.youtube.com/watch?v=8ujmJz6i4YI
A implementacao de algoritmos de suporte a decisao clinica para imagens medicas enfrenta desafios com confiabilidade e interpretabilidade, estabelecemos aqui uma ferramenta de diagnostico com base em uma estrutura de aprendizado profundo para a triagem de pacientes com doencas trataveis como comuns, utilizando aprendizado de maquina profundo, treinamos uma rede neural com uma fracao dos dados das abordagens convencionais. Demonstramos ainda a aplicabilidade geral do nosso sistema de IA para o diagnostico de pneumonia usando imagens de raios-X do torax. Essa ferramenta pode, em ultima analise, ajudar a acelerar o diagnostico e o encaminhamento dessas condicoes trataveis, facilitando assim o tratamento anterior, resultando em melhores resultados clinicos.
## ETAPA 1: Discussao e Contextualizacao:
A inteligencia artificial (IA) tem o potencial de revolucionar o diagnostico e o gerenciamento de doencas, realizando classificacoes dificeis para especialistas humanos e revisando rapidamente imensas imagens. Apesar de seu potencial, a interpretabilidade clinica e a preparacao viavel da IA continuam sendo um desafio.
A abordagem algoritmica tradicional da analise de imagens para classificacao anteriormente se baseava em:
(1) segmentacao de objetos artesanais, seguida por;
(2) identificacao de cada objeto segmentado usando classificadores estatisticos ou classificadores de aprendizado de maquina computacionais neurais superficiais projetados especificamente para cada classe de objetos;
(3) classificacao da imagem.
A criacao e o refinamento de varios classificadores exigiram muitas pessoas qualificadas e muito tempo e eram computacionalmente caros. O desenvolvimento de camadas de redes neurais convolucionais permitiu ganhos significativos na capacidade de classificar imagens e detectar objetos em uma imagem Sao varias camadas de processamento nas quais os filtros ou convolucoes de analise de imagem sao aplicados.
## ETAPA 2: Dados e Modelo.
O dados foram obtidos do site Kaggle, o teste foi feito para dois datasets, um se tratando de pessoas com pneumonia e o outro de pessoas com COVID-19 e ambos os teste foi feita uma comparacao binaria onde tratamos de ensinar o modelo a diferenciar um pulmao saudavel de um pulmao doente (pneumonia ou Covid).
### Dataset
Na maioria das vezes o nosso maior trabalho e na montagem do dataset, visto que esse ja se encontravam prontos e com uma certa confiabilidade, o projeto se tornou mais simples.
### Modelo
Nosso modelo de Deep Neural se concentra em uma aplicacao rapida mais robusta, onde temos uma grande confiabilidade mas ainda carecemos de mais dados para treinar o mesmo, portanto acreditamos que com o que temos ja podemos concluir algo sobre e ainda dizer que podemos sim usar o mesmo para avaliar radiografias.
### Codigo
Nosso codigo esta descrito no notebook python anexo neste repositorio. Note que a titulo de comparacao podemos dizer que a melhoria do mesmo esta condicionada a uma melhora no dados para treino e maior tempo de treinamento.
## ETAPA 3: Metodologia
A metodologia deste projeto e bem basica, como todo projeto de Deep Learning necessitamos de um dataset robusto e que valise nosso modelo, portanto o primeiro passo foi esse encontra datasets que atendessem minimamente a isso, apos encontra-los foi montado um workflow para descrever o processos: analise dos dados, pre-processamento,construcao da rede, treino, teste e validacao e como passo final uma avaliacao grafica dos modelos acerca de sua acuracia.
**Resultados:**
- No nosso primeiro teste com o dataset 1 tivemos uma acuracia de teste 91%.
- No segundo onde o volume de dados era menor 71%.
*Maiores informacoes vide notebook, la se encontrar um analise grafica detalhando os processos de perda e acuracia.*
**Nota** *: devido a limites computacionais da minha maquina nao consegui rodar o modelo por mais tempo.*
## ETAPA 3: Conclusao
Portanto podemos concluir que e sim uma aplicacao viavel e que futuramente pode ser amplamente empregada em analises preliminares e triagem de paciente com Covid. Com a aumento na coleta de dados podemos treinar modelos melhores e diagnosticar usando tecnica ate mais simples por metodos de avaliacao de imagens.
## Referencias:
* **"Imagens de radiografia de torax (Pneumonia)"** https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia; (Visualizado em: 17/05/2020) (Daqui foi obtido o *dataset* 'Chest X-Ray Images (Pneumonia)').
* **"COVID-19 RADIOGRAPHY DATABASE"** https://www.kaggle.com/tawsifurrahman/covid19-radiography-database; (Visualizado em: 17/05/2020) (Daqui foi obtido o *dataset* 'COVID-19 Radiography Database').
* **"Detecting COVID-19 induced Pneumonia from Chest X-rays with Transfer Learning: An implementation in Tensorflow and Keras."** https://towardsdatascience.com/detecting-covid-19-induced-pneumonia-from-chest-x-rays-with-transfer-learning-an-implementation-311484e6afc1; (Visualizado em: 17/05/2020) (Inspiraco para construcao deste modelo. GitHub do autor https://github.com/EXJUSTICE/).
近期下载者:
相关文件:
收藏者: