CAD SYSTEMS IN MEDICAL APPLICATION: DETECTION OF TUBERCULOSIS FROM CXR-IMAGES USING CONVOLUTIONAL NEURAL BASED NETWORKS (CASE STUDY: NIGERIAN PUBLIC HEALTH)

Abstract

Tüberküloz (TB), genellikle akciğerleri etkileyen ve son 40-50 yil içinde tüm dünyaya yayılmış olan çok tehlikeli, bulaşıcı bir bakteriyel enfeksiyondur. TB'nin erken tespiti, hastalik ve olumleri azaltmak için çok önemlidir. TB'nin teşhisi, kan testleri, cilt testleri, BT taramaları ve balgam testleri gibi zor ve ayni zamanda haftalarca sürebilen geleneksel yöntemlerle yapılmaktadir. Ayrica bu yontemlerle yapilan tanilarda cogu zaman bir uzmanin yapilan testleri yorumlamasi gerekmektedir. Bu durum ozellikle yeterli egitime sahip uzaman sayisinin yetersiz oldugu yerlerde, uzmanlarin daha fazla yorulmasina ve teshis suresinin uzamasina dolayisiyla hastaligin teshis surecinde hatalara sebep olabilmektedir. Tani suresinin kisaltilmasi bu tip hatalarin onune gecmek icin onemlidir. Son yıllarda, nesne tespiti ve goruntu sınıflandırmada evrişimli sinir ağları (CNN) mimarileri gibi derin öğrenme (DL) yaklaşımlarının atılımı, bu teknolojiyi farklı alanlarda uygulamak için birçok araştırmacıyı cezbetmiştir. Tıbbi alanda, etiketli dijital veri setlerinin olusturulmasi ve kullanılabilirliğinin artmasi ile farklı hastalıkların tespitinde uzman düzeyinde performans elde etmek için bu yontemler kullanilabilmektedir. Bu nedenle akciğer grafisi (CXR), TB gibi göğüs hastalıklarının saptanmasında kritik hale gelmistir. Bu çalışmada, oneğitimli derin sinir ağları kullanılarak tüberkülozu etkili bir şekilde tespit edebilen modeller oluşturmak için acik ve ozel CXR görüntülerinden olusan bir veri seti kullanilmistir. Deneyde, en iyi performansi gösteren MobileNetV1 modeli kullanilarak Afrika`da hastaligin cok yaygin oldugu Nijerya`dan topladigimiz ozel veri seti uzerinde sırasıyla %94 doğruluk (accuracy), %96 özgüllük (specificity), %92 duyarlılık (sensitivity) ve %94 f1 skoru (F1 Score) ile hassasiyet degeri elde edilirken acik veri seti uzerinde ise %100 dogruluk (accuracy), %99 ozgulluk (specificity) ve %100 duyarlilik (sensistivity),fi skoru (F1 Score) ve hassasiyet (precision) degeri elde edilmistir. Elde edilen sonuclar, DNN'nin CXR görüntüsünden tüberkülozu tespit etmedeki etkinliğini göstermektedir.

Tuberculosis (TB) is a very dangerous contagious bacterial infection that usually attacks the lungs and has spread widely around the globe in the last 4 to 5 decades. Early detection of TB is pivotal to the decrease in morbidity and mortality. The diagnosis of TB is made through conventional methods such as blood tests, skin tests, CT scans, and sputum tests, which are tedious and take weeks or even more. Therefore, to lower the detection time and raise the accuracy of diagnosis, due to the time-consuming task that typically requires expert radiologists to read the test, leading to fatigue-based diagnostic error and lack of trained experts in areas of the world where radiologists are not available or limited. In recent years, the application of Artificial intelligence (AI) and the breakthrough of deep learning (DL) approaches like convolutional neural networks (CNN) architectures in object detection and classification have attracted many researchers to apply this sophisticated technology in different fields of science, primarily in the medical field to achieve expert-level performance in the interpretation of different diseases, which is powered by the availability of labeled digital dataset. Hence chest radiograph (CXR) has become critical in detecting thoracic diseases such as TB. This study used a public and private dataset of CXR images to build models that can effectively detect TB using pretrained deep neural networks. In our experiment, the best performing model was MobileNetV1 out of the models used, in which we were able to achieve an accuracy of 94%, specificity of 96%, sensitivity of 92%, with an f1-score, precision of 94% respectively on a private dataset we collected from a densely affected region of Africa, Nigeria to be precise. Meanwhile, the same model on a public dataset scored an accuracy of 100%, sensitivity of 99%, specificity, precision and F1-score of 100% respectively. Hence, the performance of the deep neural networks (DNN) model in our experiment shows the efficacy of DNN in detecting tuberculosis from CXR images.