Deep learning applied to medical imaging

Abstract

Medical examinations in general and medical imaging in particular play an important role in disease detection and patient monitoring. Most of the medical images produced are based on X-rays and are used by almost all medical specialties. They provide sensitive results and are relatively inexpensive compared to other techniques such as Magnetic Resonance Imaging (MRI). However, MRI has proven to be a great diagnostic tool as it enables high-quality images in multiple planes or directions. Progressively more researchers are exploring the use of Deep Learning (DL) algorithms to process and analyse medical images. The main goal of this work is to study and evaluate DL methods applied to two different types of medical images: 2D X-rays images and 3D MRI scans. Both of these types are often used for early detection, diagnosis, and treatment of diseases. Existing DL architectures and image pre processing techniques have also been studied and developed for segmentation of various brain regions (using MRIs) and classification of chest diseases (using X-rays). Convolution Neural Network (CNN) architectures have aroused interest in health domain because of their powerful learning ability. These networks use multiple convolutions, pooling and fully connected layers to learn the features. This work investigated several CNN architectures and their application in classification of chest X-rays. The use of transfer learning, a deep learning technique, was also studied. This technique enabled the initialization of the CNN with weights from a pre-trained model, whereby the knowledge was transferred from another model. Fully Convolutional Networks (FCN), have been successfully used in the segmentation of biomedical images. In this work, an FCN based on the well-known U-net architecture was used to perform the segmentation of brain MRI scans. U-net uses convolution, max pooling, concatenation and up sampling layers to extract the features. For the segmentation task the best result obtained with brain MRI using Dice Similarity Coefficient was 95.97%. For the classification task using chest X-rays, the best result using Area Under the ROC Curve was 96.40%.

Os exames médicos em geral e as imagens médicas em particular, desempenham um papel importante na deteção de doenças e no monitoramento dos pacientes. As imagens produzidas são na sua maioria raios-X, pois são utilizados em grande parte das especialidades médicas. Os raios-X fornecem resultados sensíveis e são relativamente baratos quando comparados com outras técnicas, como a ressonância magnética (RM). As RM, no entanto, provaram ser uma ótima ferramenta de diagnóstico, uma vez que permitem obter imagens de alta qualidade em vários planos ou direções. Progressivamente mais cientistas investigam o uso de algoritmos de Deep Learning (DL) para o processamento e análise de imagens médicas. O presente trabalho tem como principal objetivo o estudo e avaliação de técnicas de DL aplicadas a dois tipos de imagens médicas: imagens de raios-X (2D) e imagens de RM (3D). Ambas são frequentemente usados para deteção precoce, diagnóstico e tratamento de doenças. Estudaram-se também diferentes arquiteturas de DL e técnicas de pré-processamento de imagens para realizar a segmentação de várias regiões do cérebro (usando imagens de RM) e para a classificação de doenças torácicas (usando raios-X). A Convolution Neural Network (CNN) é uma arquitetura que tem despertado um grande interesse no domínio da saúde devido à sua boa capacidade de aprendizagem. Estas redes utilizam várias camadas de tipo convolution, pooling e fully connected para aprender as features. O presente trabalho investigou diferentes esquemas de CNN e avaliou a sua capacidade de classificar os raios-X tóracicos. Também se estudou o uso de uma técnica de DL denominada transfer learning. Esta técnica permitiu a inicialização da rede usando pesos provenientes de um modelo pré-treinado, transferindo o seu conhecimento. As Fully Convolutional Networks (FCN) têm obtido um bom desempenho na segmentação de imagens biomédicas. Neste trabalho, para segmentar as imagens de RM do cérebro, utilizou-se uma FCN baseada numa arquitetura amplamente conhecida, a arquitetura U-Net. A U-Net usa camadas de convolution, max pooling, concatenation e up sampling para extrair as features. Na segmentação de imagens de RM cerebral, o melhor resultado foi um Coeficiente de Similaridade dos Dados de 95,97%. Na classificação de raios-X torácicos, o melhor resultado foi uma área sob a curva ROC de 96,40%.