Precisión del uso del Deep Learning en la síntesis, detección y segmentación de signos ultrasonográficos de pulmón sugerentes a Covid-19

Abstract

Evalua la precisión del uso del deep learning en la síntesis, detección y segmentación de signos ultrasonográficos de pulmón sugerentes a COVID-19. Para esta investigación se utilizaron dos modelos de deep learning: el DCGAN para la síntesis de imágenes y el Detectron2 (Mask R-CNN) con pesos pre entrenados de RESNET50 para detección y segmentación. Se utilizó el conjunto de datos de acceso libre POCUS, del cual se seleccionaron 1892 frames de ultrasonografía pulmonar de pacientes con COVID-19, 1570 (83%) para el entrenamiento y 323 (17%) para validación. Para le detección y segmentación se hizo una división por categorías utilizando los signos de líneas B, signos de línea pleural anormal y consolidación, los cuales están relacionados con la gravedad de la enfermedad. Para evaluar el rendimiento de ambos modelos se utilizaron las métricas de función de pérdida, exactitud, distancia inicial de Frechet (FID), precisión promedio (AP, por sus siglas en ingles), AP50 Y AP75. Para la síntesis de imágenes de signos ultrasonográficos sugerentes a COVID- 19 se obtuvo un valor FID de 20.491; mientras que para la detección y segmentación de imágenes se obtuvo una función de pérdida total de 0.31(función de pérdida de detección, clasificación y segmentación) y una exactitud de 92%. En la detección, el signo de líneas B obtuvo la mejor precisión promedio (45.50), seguido del signo de consolidación (44.52) y de línea pleural anormal (27.44). También en la segmentación se obtuvieron valores altos de precisión promedio en el signo de líneas B (44.47), seguido del signo de consolidación (39.85) y de línea pleural anormal (23.27). Se obtuvieron imágenes sintéticas muy realistas, una alta exactitud en la detección y segmentación de signos sugerentes de COVID-19 evaluados por ultrasonografía, muy útil para evaluar la gravedad de la enfermedad. El deep learning es un área muy prometedora para el análisis y pos procesamiento de las imágenes radiológicas, el cual puede servir de apoyo al tecnólogo médico en radiología como a otros profesionales de la salud, así como también para la educación en radiología.