Applications of deep learning in the analysis of medical images

Abstract

ABSTRACT: There are a lot of diseases that require the analysis of medical images to be diagnosed. Historically this analysis has been done by experts who often don’t even agree with each other, and in some cases a quick and appropriate diagnosis could lead to saving a life. In recent years there has been a development of Machine Learning techniques applied in the field of medical imaging. Automatising diagnosis would reduce wait times, improve effectiveness and detect findings that may have been otherwise overlooked. The purpose of this project is to study the viability of applying Deep Learning methods, concretely Convolutional Neural Networks for image classification, for analysing medical images. The dataset used corresponds to a set of chest x-rays provided by the NIH Clinical Center and tagged according to their diagnosis. The goal of this project is determining if this type of computer-aided detection would help with medical imaging findings interpretation, reducing the time diagnosing usually takes and exceeding the effectiveness of radiologists. After describing Deep Learning in depth, and building a model with Convolutional Neural Networks with an accuracy of approximately 60% in classifying healthy and unhealthy lungs, it has been concluded that with the right resources this method can perform medical analysis but there must be awareness of its limitations.

RESUMEN: Hay muchas enfermedades que requieren el análisis de imágenes médicas para ser diagnosticadas. Históricamente este análisis ha sido llevado a cabo por expertos que en ocasiones no están de acuerdo entre ellos, y en algunos casos un diagnóstico rápido y adecuado puede llegar a salvar vidas. En los últimos años ha habido un desarrollo de técnicas de aprendizaje automático aplicadas en el campo de imágenes médicas. Automatizar el diagnóstico reduciría los tiempos de espera, mejoraría la efectividad y detectaría anomalías que habrían pasado desapercibidas en otro caso. El propósito de este TFG es estudiar la viabilidad de aplicar métodos de Deep Learning, en concreto redes neuronales convolucionales para la clasificación de imágenes, al análisis de imágenes médicas. Los datos utilizados se corresponden a un conjunto de radiografías de tórax proporcionadas por el NIH Clinical Center y etiquetadas de acuerdo a su diagnóstico. La meta de este proyecto es determinar si este tipo de detección asistida por ordenador ayudaría con la interpretación de hallazgos en imagen médica, reduciendo el tiempo que normalmente conlleva producir un diagnóstico y excediendo la efectividad de los radiólogos. Después de describir el Deep Learning en profundidad, y de construir un modelo con redes neuronales convolucionales con una eficacia de aproximadamente el 60% a la hora de clasificar pulmones sanos y enfermos, se ha concluído que con los recursos apropiados este método puede ayudar a realizar el análisis médico pero se debe ser consciente de sus limitaciones.