Tecnicas de Deep Learning para a determinação da idade óssea

Abstract

A avaliação da idade óssea (a maturação esquelética) é uma prática clínica comum para investigar doenças endocrinológicas, genéticas e de crescimento em crianças. Geralmente é realizada por exame radiológico da mão esquerda usando o método Greulich e Pyle (G & P) ou o Tanner Whitehouse (TW). No entanto, ambos procedimentos clínicos demonstraram várias limitações, desde o esforço do exame que tem que ser feito pelos radiologistas até a significativa variabilidade intra e inter-operador. Para resolver este problema, várias abordagens com recurso a sistemas de apoio ao diagnóstico médico (especialmente tomando como base o método TW) foram propostas. Nenhum deles demonstrou capacidades de generalização para diferentes raças, faixas etárias e géneros. A avaliação de exames radiológicos requer a análise de um profissional com a máxima atenção. No caso do método de Greulich e Pyle a radiografia da mão do paciente é comparada com um atlas padrão sendo possível observar deficiências no crescimento dos pacientes. Este é um trabalho exaustivo e sujeito a erros devido ao nível de atenção que é necessário durante o diagnóstico. Os métodos de deep learning têm sido aplicados a diversas tarefas de análise de imagem médica como, por exemplo, classificação de lesões e segmentação de tecidos. O principal objectivo deste trabalho e desenvolver um modelo capaz de automaticamente determinar a idade óssea. Neste trabalho foram primeiramente testadas várias arquitecturas de redes neuronais convolucionais na determinação da idade óssea que mostraram bons resultados em tarefas comuns de visão por computador. Baseado nos resultados obtidos foi desenvolvido/optimizado um novo modelo que é apresentado neste documento. Foi usado transfer learning e o treino de raiz nas redes neuronais seleccionadas obtendo uma taxa de erro de 7.89 meses na determinação da idade óssea em pacientes do sexo feminino e uma taxa de erro de 8,28 meses ao executar esta tarefa em homens.

Bone age assessment is a common clinical practice to detect endocrinological, genetic and growth diseases. Usually it’s performed using a x-ray image of the non dominant hand applying the Greulich and Pyle or the Tanner Whitehouse (TW) method. However both procedures showed to possess several limitations since the effort deman ded to radiologists to the significant intra- and inter-operator variability. To address these problems, several automated approaches (especially relying on the TW method) have been proposed. None of them showed to be able to generalize to different races, age ranges and genders. The evaluation of x-ray images requires the analysis of a professional with maximum levels of attention. The Greulich and Pyle method consists in comparing the image with an atlas being able to observe disabilities in the growing of pacients. This is an intensive job and error-prone due to the level of attention that is needed during the diagnosis. Deep Learning methods have been applied to different medical imaging analysis tasks like, for e.g., lesion classification and tissue segmentation. The main objective of this dis sertation is to develop a model capable of automatically assess bone age. In this work, we first have tested several state-of-the-art Convolution Neural Networks models for assessing bone age that previously has shown great results in general computer vision tasks. Ba sed on these results, we have developed/optimized a new model, which is presented here. For this purpose, we used transfer learning methods and trained the selected networks from scratch achieving a 7.89-month error rate when assessing bone age in females and 8.28-month error rate when performing this task on men.