Aplicando o modelo Multi-CNNs para detectar problemas anormais em imagens de radiografias de tórax

O diagnóstico por imagem é um problema significativo na medicina. Atualmente, com as facilidades modernas que permitem que os médicos diagnostiquem precocemente e com precisão doenças, limitando procedimentos de tratamento desnecessários. Dessa forma, o diagnóstico por imagem está na vanguarda do processamento de diagnóstico e tratamento da doença. A insuficiência cardíaca e pulmonar representa mais de 500.000 mortes anualmente nos Estados Unidos e é mais comumente rastreada usando radiografia simples de tórax (CXR). Com o número crescente de pacientes, os médicos precisam trabalhar em excesso, então não conseguem aconselhar e cuidar diretamente de seus pacientes. Portanto, é necessário um sistema computacional que suporte a classificação de imagens. Neste artigo, propomos um modelo de aprendizado profundo para detectar anomalias em imagens de radiografias de tórax. O modelo proposto utiliza várias Redes Neurais Convolucionais para decidir a imagem de entrada, isso é chamado de Multi-CNNs. Os dados de entrada são o conjunto de dados de imagens digitais de radiografias de tórax coletados de 6/2017 a 3/2018 no Hospital An Binh, HCM, VN (Banco de Dados AB-CXR). Cada componente do Multi-CNN é uma rede neural convolucional desenvolvida com base na biblioteca ConvnetJS. A saída do modelo proposto é densidade Normal/Anormal. Neste artigo, também propomos um método para sintetizar os resultados dos componentes do modelo que chamamos de Regras de Fusão. Os resultados experimentais de 96% em nosso conjunto de dados de imagens de radiografias mostraram a viabilidade do modelo Multi-CNNs proposto.