Covid-19 classification from chest X-ray analysis

Abstract

With the quick evolution of the Covid-19 pandemic, the role of AI became more and more important in order to get accurate diagnosis of the disease and its impact on the human body, without human intervention. This work will focus mainly on the analysis of Chest X-Ray (CXR) and further classification of Covid-19 by using Deep Learning (DL) techniques, highlighting the importance of these technologies when it comes to fighting the pandemic. A systematic review on DL demonstrated that chest CXRs are among the most frequently used medical imaging techniques for COVID-19 classification, as well as Convolutional Neural Networks (CNN) that take a great part in this investigation, due to the good results they present when it comes to image analysis. Throughout this dissertation we will (1) focus on finding the model that gets the best results, (2) fine tune it and (3) apply a GRAD-CAM heat map to provide a visual representation. The model that produced the best results was VGG19 reaching 97% recall and precision. By identifying the optimal model and applying visual analysis of patients' conditions, we enable quicker and more accurate diagnoses for doctors, which helps reduce waiting times, also providing the patient with a graphical image for better understanding of the problem.

Com a rápida evolução da pandemia de Covid-19, o papel da Inteligência Artificial tornou-se cada vez mais importante para obter um diagnóstico preciso da doença e do seu impacto no corpo humano, sem direta intervenção no mesmo. Este trabalho centrar-se-á principalmente na análise da radiografia do peito (CXR) e na posterior classificação da Covid-19 utilizando técnicas de Deep Learning (DL), destacando a importância destas tecnologias no combate à pandemia. Esta revisão sistemática sobre DL demonstrou que as radiografias estão entre as técnicas de imagem médica mais utilizadas para a classificação da Covid-19, assim como as Redes Neuronais Convolucionais (CNN) que assumem um papel importante nesta investigação, devido aos bons resultados que apresentam quando se trata de análise de imagens. Ao longo desta dissertação, iremos (1) concentrar-nos em encontrar o modelo que obtém os melhores resultados, (2) fazer o fine tune do mesmo e (3) aplicar um heat map GRAD-CAM para fornecer uma representação visual. O modelo que obteve os melhores resultados foi o VGG19, que alcançou 97% de accuracy e recall. Ao identificar o modelo ótimo e ao aplicar a análise visual das condições dos pacientes, permitimos diagnósticos mais rápidos e mais precisos para os médicos, o que ajuda a reduzir os tempos de espera, fornecendo também ao paciente uma imagem gráfica para uma melhor compreensão do problema.