Estudio de algoritmos de redes neuronales convolucionales en dataset de imágenes médicas

Abstract

Cada año mueren en el mundo más de 400.000 personas de malaria, a pesar de que la malaria es una enfermedad prevenible y relativamente fácil de tratar si se detecta de forma precoz. El objetivo principal de este trabajo es el de proponer un sistema de ayuda de soporte a las decisiones médicas para la detección de malaria a partir de imágenes de frotis de microscopio de células sanguíneas, utilizando un modelo de red neuronal convolucional (CNN) y otras técnicas de aprendizaje profundo. Esta CNN se ha creado utilizando como base una arquitectura EfficientNet. La contribución clave de este trabajo es presentar los resultados de un modelo CNN ensemble creado a partir de combinar los modelos base EfficientNet0 obtenidos durante un proceso de validación cruzada de 10 iteraciones. En este documento se presentan los resultados de clasificación de imágenes de pacientes infectados y pacientes sanos. Se ha obtenido una exactitud en la clasificación del 98,29%, significativamente superior al de trabajos similares encontrados en la literatura. El modelo propuesto CNN utilizando EfficientNet presenta unos resultados con valores comparables, e incluso superiores, a los obtenidos en el estado del arte actual: un valor de recall de 98,82%, un valor de precisión de 97,74%, un valor de F1-score de 98,28% y un valor para el AUC (Área bajo la Curva ROC) de 99,76%. Para concluir, el diseño propuesto ofrece un sistema para el diagnóstico automático de la malaria que ayuda a los profesionales médicos a realizar mejores decisiones.

Each year, more than 400,000 people die of malaria; surprisingly enough, malaria is a preventable and treatable disease if early detection is achieved. The key objective of this work is to propose a medical decision help system for detecting malaria from microscopic peripheral blood cells images, using the application of a convolutional neural network (CNN). This CNN has been created using an EfficientNet architecture. The key contribution is to introduce the findings of an ensemble CNN model created combining the base models obtained through a 10-fold stratified cross-validation of a EfficientNet0-based architecture. This paper presents the classification findings using images from malaria patients and normal patients. An accuracy value for binary classification of 98.29% is obtained. The proposed CNN model using EfficientNet presents state-of-the-art values: recall value of 98.82, a precision value 97.74%, F1-score of 98.28% and a ROC value of 99.76%. To conclude, the suggested design offers an automatic medical diagnostics system to assist malaria specialists to make enhanced decision.