Detección precoz de covid-19 a partir de imágenes de radiografías de tórax mediante redes neuronales convolucionales

Abstract

En la actualidad el mundo se encuentra enfrentado a una crisis sanitaria global provocada por la enfermedad Covid-19. Desde su aparición en Wuhan (China) el virus ha causado alrededor de cuatro millones de muertes en el mundo provocando una alta presión hospitalaria. El virus destaca por su alta capacidad de propagación. Por ello, parece indispensable contar con mecanismos de detección precoz de la enfermedad para aumentar la rapidez del tratamiento y reducir la probabilidad de contagio. Las radiografías de tórax son una prueba muy efectiva para la detección de neumonía a causa de Covid-19. El aprendizaje profundo es capaz de extraer características relacionadas con los resultados clínicos de las radiografías. En este Trabajo de Fin de Máster se ha propuesto un modelo de red neuronal convolucional y se ha intentado mejorar mediante la utilización de las técnicas de aumento de datos, transferencia de aprendizaje y ajuste fino. El proyecto se ha desarrollado en el lenguaje de programación Python mediante la utilización de las librerías Tensorflow y Keras. Para el entrenamiento del modelo se ha utilizado una base de datos de imágenes de radiografías de tórax del repositorio Kaggle. Dichas imágenes se encuentran clasificadas en cuatro categorías: normal, opacidad torácica, neumonía viral y neumonía por Covid-19. Finalmente se ha realizado una comparación de los modelos creados. El considerado mejor modelo ha sido utilizado para mostrar los resultados mediante una aplicación web desarrollada con Flask y publicada en la plataforma PythonAnywhere.

En l'actualitat el món es troba enfrontat a una crisi sanitària global provocada per la malaltia Covid-19. Des de la seva aparició en Wuhan (la Xina) el virus ha causat al voltant de quatre milions de morts en el món provocant una alta pressió hospitalària. El virus destaca per la seva alta capacitat de propagació. Per això, sembla indispensable comptar amb mecanismes de detecció precoç de la malaltia per a augmentar la rapidesa del tractament i reduir la probabilitat de contagi. Les radiografies de tòraxs són una prova molt efectiva per a la detecció de pneumònia a causa de Covid-19. L'aprenentatge profund és capaç d'extreure característiques relacionades amb els resultats clínics de les radiografies. En aquest Treball de Fi de Màster s'ha proposat un model de xarxa neuronal convolucional i s'ha intentat millorar mitjançant la utilització de les tècniques d'augment de dades, transferència d'aprenentatge i ajust fi. El projecte s'ha desenvolupat en el llenguatge de programació Python mitjançant la utilització de les llibreries Tensorflow i Keras. Per a l'entrenament del model s'ha utilitzat una base de dades d'imatges de radiografies de tòraxs del repositori Kaggle. Aquestes imatges es troben classificades en quatre categories: normal, opacitat toràcica, pneumònia viral i pneumònia per Covid-19. Finalment s'ha realitzat una comparació dels models creats. El considerat millor model ha estat utilitzat per a mostrar els resultats mitjançant una aplicació web desenvolupada amb Flask i publicada en la plataforma PythonAnywhere.

The world is currently facing a global health crisis caused by the Covid-19 disease. Since its appearance in Wuhan (China), the virus has caused around four million deaths worldwide, causing high hospital pressure. The virus stands out for its high propagation capacity. For this reason, it seems essential to have mechanisms for early detection of the disease to increase the speed of treatment and reduce the probability of contagion. Chest X-rays are a very effective test for detecting Covid-19 pneumonia. Deep learning is able to extract characteristics related to clinical results from radiographs. In this Master's Thesis, a convolutional neural network model has been proposed and an attempt has been made to improve it through the use of data augmentation, learning transfer and fine-tuning techniques. The project has been developed in the Python programming language and using the Tensorflow and Keras libraries. For the training of the model, a database of images of chest radiographs from the Kaggle repository was used. These images are classified into four categories: normal, thoracic opacity, viral pneumonia and Covid-19 pneumonia. Finally, a comparison of the created models has been made. The considered best model has been used to show the results through a web application developed with Flask and published on the PythonAnyWhere platform.