Deep learning per la classificazione di radiografie toraciche canine

Modul Print
Visual assessment of the ResNet-50 classification results of a radiograph of a dog showing an alveolar pattern in the cranial lung lobe. The activations of the last layer are visualized superimposed on the radiographs. Each image corresponds to the activations for a specific radiographic finding. The alveolar pattern was correctly identified by the model (B) however the model also falsely identified the presence of a mass (E). (A) Original image, (B) alveolar pattern, C bronchial pattern, (D) cardiomegaly, (E) mass, (F) interstitial pattern, (G) pleural effusion, (H) pneumothorax, (I) unremarkable.
Visual assessment of the ResNet-50 classification results of a radiograph of a dog showing an alveolar pattern in the cranial lung lobe. The activations of the last layer are visualized superimposed on the radiographs. Each image corresponds to the activations for a specific radiographic finding. The alveolar pattern was correctly identified by the model (B) however the model also falsely identified the presence of a mass (E). (A) Original image, (B) alveolar pattern, C bronchial pattern, (D) cardiomegaly, (E) mass, (F) interstitial pattern, (G) pleural effusion, (H) pneumothorax, (I) unremarkable.

Su Scientific Reports la nuova pubblicazione scientifica dei Medici veterinari di MAPS

Scientific Reports è una tra le più note riviste open access, pubblicata dal gruppo editoriale Nature, uno tra i pilastri delle pubblicazioni scientifiche. Automatic classification of canine thoracic radiographs using deep learning è il nuovo articolo firmato dai Medici veterinari dell’equipe di Diagnostica per immagini dell’Ospedale Veterinario Universitario Didattico (OVUD), afferenti a MAPS.

I firmatari dello studio sono: Tommaso Banzato, Marek Wodzinski, Silvia Burti, Valentina Longhin Osti, Valentina Rossoni, Manfredo Atzori e Alessandro Zotti.

Lo studio pubblicato descrive lo sviluppo di un nuovo algoritmo, basato sulle reti neurali convoluzionali (CNN), capace d’individuare alcune tra le più frequenti lesioni che si possono riscontrare nelle radiografie del torace del cane. Prospetticamente, si tratta di uno strumento utile nel ridurre gli errori d’interpretazione che sono, purtroppo, frequenti in radiologia umana e veterinaria.

Gli obiettivi principali della pubblicazione:

  • Sviluppare un algoritmo capace di rilevare le lesioni più comuni dalle radiografie del torace del cane;
  • Testare, di conseguenza, la capacità di generalizzazione dell’algoritmo su database diversi ed immagini differenti.

Per lo sviluppo dello studio e il raggiungimento di questi due obiettivi primari, i ricercatori di MAPS si sono basati su un campione di 3839 radiografie, suddivise in due database differenti. Su queste collezioni di dati sono state condotte due azioni distinte.

Il primo gruppo, contenente solo le radiografie eseguite con il sistema CR in dotazione al Dipartimento sino al 2018, è stato usato per allenare il modello. La seconda raccolta di dati, contenente solo immagini acquisite con il sistema DR (Direct radiography) in dotazione dal 2018 in poi, è stata utilizzata per valutare la capacità di generalizzazione dell’algoritmo stesso, ossia l’accuratezza nell’individuare le lesioni in un database d’immagini mai viste e acquisite con un radiologico diverso.

L’obiettivo finale di questo studio, oltre a dimostrare le opportunità offerte dall’intelligenza artificiale è quello di fornire a tutti i medici veterinari, specializzati o meno nella pratica della radiologia, uno strumento che possa essere loro d’aiuto nel lavoro di tutti i giorni. Si tratta quindi di un supporto notevole per l’attività del medico veterinario clinico che potrà affidarsi alle proprie competenze e a questo ulteriore ausilio.

Per testare dal vivo l’algoritmo ed aiutare il suo sviluppo e miglioramento è stato predisposto un sito V.E.R.A. (Virtual Veterinary Radiology Assistant), in versione beta, lo si può trovare qui.

Il suo funzionamento è molto semplice: i medici veterinari potranno eseguire l’upload delle immagini radiografiche (in formato DICOM) e vedere direttamente il risultato dell’algoritmo. Questo strumento è in grado di fornire una prima valutazione (anche se limitata ad alcuni reperti radiografici) utile quando un veterinario specialista in radiologia non è disponibile.

Per avere maggiori informazioni su V.E.R.A. (Virtuali Veterinary Radiology Assistant) contattare Tommaso Banzato, tommaso.banzato@unipd.it

La pubblicazione, si può leggere e scaricare da Scientific report.

Correlato a questo articolo, uno precedente, Use of deep learning to detect cardiomegaly on thoracic radiographs in dogs, legato alle capacità interpretative delle reti neurali convoluzionali sulle cardiomegalie dei cani, ne avevamo già parlato qui.

Paolo Francescon Fotografo
ID.Studio
Informazioni su ID.Studio 346 Articoli
ID.STUDIO è il team editoriale di Italiandirectory dedicato alla produzione di contenuti tecnici, culturali e scientifici.