Diagnóstico automático de COVID-19 baseado em redes neurais profundas usando imagens de raio-X

Abstract

Este trabalho de conclusão de curso apresenta uma investigação sobre o uso de redes neurais convolucionais (Convolutional Neural Network - CNN) implementadas em estruturas de aprendizado profundo do estado da arte aplicadas em diagnósticos da COVID-19. Nos últimos anos, em face da pandemia provocada pela COVID-19, o tempo despendido para a realização adequada de diagnósticos de COVID-19 em indivíduos (sintomáticos ou assintomáticos) tornou-se uma das grandes tarefas de saúde pública realizadas mundialmente, sendo a testagem em massa uma das importantes ferramentas utilizadas para esses diagnósticos. Nesse cenário, o uso de aprendizado profundo e redes neurais convolucionais vêm se consolidando como ferramentas de grande valia para a representação de dados, caracterização de padrões e classificação de imagens. Particularmente, este trabalho tem como objetivo a análise de imagens de raio-X visando auxiliar no diagnóstico de identificação de pacientes com COVID-19. Dessa forma, são apresentadas e discutidas as etapas necessárias para a implementação de modelos de aprendizado profundo usando CNNs. Tendo em vista a preparação de dados para serem usados nas etapas de treinamento, validação e teste, alguns conjuntos de dados disponíveis na literatura (open source) foram considerados para o desenvolvimento de um novo e único conjunto com aproximadamente duas mil imagens de raio-X classificadas como COVID-19 negativo e COVID-19 positivo. Nesse contexto, de acordo com a função objetivo adotada, diferentes arquiteturas de redes neurais foram implementadas e avaliadas quantitativamente e qualitativamente, através de curvas de erro e curvas de acurácia, avaliação da relação entre sensibilidade e especificidade de um diagnóstico (através de curvas ROC [receiver operator characteristic curve]), matriz de confusão, entre outros. Resultados de simulação são apresentados e confirmam a eficácia da utilização de modelos de aprendizado profundo usando CNNs para o diagnóstico de pacientes com COVID-19. Adicionalmente, espera-se que este trabalho possa se tornar um referencial teórico para a implementação de CNNs e fomentar futuras investigações nas áreas de inteligência artificial no IFSC Câmpus Itajaí.This final paper presents an investigation into the use of convolutional neural networks (Convolutional Neural Network - CNN) implemented in state-of-the-art deep learning structures applied to COVID-19 diagnoses. In recent years, in the face of the pandemic caused by COVID-19, the time spent properly diagnosing COVID-19 in individuals (symptomatic or asymptomatic) has become one of the major public health tasks performed worldwide, with testing being one of the important tools used for these diagnoses. In this scenario, the use of deep learning and convolutional neural networks has been consolidated as valuable tools for data representation, pattern characterization, and image classification. Particularly, this final paper aims to analyze X-ray images to help diagnose and identify patients with COVID-19. In this sense, the necessary steps for the implementation of deep learning models, using CNNs, are presented and discussed. To prepare data to be used in the training, validation, and testing stages, some datasets available in the open source literature were considered for the development of a new and unique set with approximately two thousand X-ray images classified as COVID-19 negative and COVID-19 positive. In this context, according to the objective function adopted, different architectures of neural networks were implemented and evaluated quantitatively and qualitatively through error curves and accuracy curves, evaluation of the relationship between sensitivity and specificity of a diagnosis (through ROC curves [receiver operator characteristic curves]), confusion matrix, among others. Simulation results are presented and confirm the effectiveness of using deep learning models using CNNs for the proper diagnosis of patients with COVID-19. Additionally, this final paper is expected to become a theoretical reference for the implementation of CNNs and to encourage future investigations in the areas of artificial intelligence at the IFSC campus in Itajaí.