Detección del SARS-CoV-2 en radiografías de tórax por medio de descriptores intermedios y técnicas de machine learning

Abstract

El SARS-CoV-2, que causa la enfermedad del COVID-19, es un virus que se ha expandido rápidamente por el mundo, teniendo como lugar de inicio la ciudad de Wuhan, en China. A la fecha se han detectado más de 36 738 525 casos a nivel mundial. La tasa de infectados aumenta diariamente y la capacidad sanitaria no se da abasto. Por estas razones, se ha venido proponiendo una variedad de métodos para identificar el novel coronavirus con mayor rapidez y a menor costo. Un ejemplo de estos métodos para identificar la enfermedad es el COVID-Net, una red convolucional que identifica el COVID-19, neumonía o pulmones en condición normal. En este trabajo se propone una metodología para identificar y clasifi car imágenes de radiografías de tórax que tienen el COVID-19, neumonía o sin condición. Para esto se utilizaron extractores de características intermedias: HOG+PCA, SIFT+K-means y SURF+K-means, combinados con un SVM como clasificador; además, se emplearon tres estructuras CNN: VGG19, Densenet121 y MobilnetV2. Se utilizó la base de datos COVIDx3 que consta de 15 476 imágenes radiográficas de pulmón. Se obtuvieron buenos resultados, y se determinó que la mejor de las combinaciones fue la que utilizó MobilnetV2 con aumento de datos obteniendo una sensitividad por clase COVID-19 de 0,97 y en promedio una precisión y sensitividad de 0,92 y 0,91. Debido al contexto de la crisis sanitaria generada por el COVID-19, este trabajo se presenta como un apoyo para la detección de esta enfermedad y como marco de referencia para futuras investigaciones.

COVID-19, the disease caused by the SARS-CoV-2 and originated in the Chinese city of Wuhan, has quickly spread around the world. To date, there have been more than 36,738,525 confirmed cases worldwide. Rates of COVID-19 cases increase on a daily basis and access to healthcare is not enough. For these reasons, a series of methods have been propo sed to identify the novel coronavirus faster and at lower cost. An example of said methods is COVID-NET, a convolutional neural network that identifies COVID-19, pneumonia or normal lungs. This research proposes a methodology to identify and classify chest X-ray images according to three categories: COVID-19, pneumonia or normal lungs. To that end, mid level image descriptors were employed: HOG+PCA, SIFT+K-means and SURF+K-means, combined with a SVM classifier. In addition, three CNN structures were used: VGG19, DenseNet121 and MobilNetV2. The COVIDx3 dataset, consisting of 15,746 chest X-rays, was used. Good results were obtained, where MobilnetV2 plus data augmentation showed the best performance, with a recall of 0.97 for the COVID-19 class, and an average precision and recall of 0.92 and 0.91, respectively. Given the current COVID-19 health crisis, this approach may be used for detecting the virus and as a reference for future research.