Clasificación de imágenes de radiografía de pulmón utilizando aprendizaje Bayesiano

Abstract

En este trabajo se propone un método para clasificar radiografías de tórax con el objetivo de colaborar en el diagnóstico de neumonía provocada por el virus SAR-COV 2 o por otras causas, así como detectar pulmones sanos. Para llevar a cabo este estudio, se utilizan imágenes de radiografías de tres tipos: pulmones sanos, pulmones con lesiones pulmonares de neumonía causadas por COVID-19 y pulmones con lesiones de neumonía originadas por otras causas. En primer lugar, se realiza un pre-procesamiento de estas imágenes, que incluye recortes de la mitad inferior de la imagen (donde se observaban las diferencias entre los diferentes tipos de imágenes) y la partición en parches de la imagen de los cuales se obtienen sus histogramas. Luego, se realiza una serie de experimentos utilizando el método de Bayes ingenuo para la clasificación y posterior inferencia, tomando como atributos el conjunto de histogramas que caracterizan la imagen. Se utilizan dos clasificadores, uno que separa las imágenes de pulmones sanos de las imágenes de pulmones enfermos, y otro que distingue neumonía por COVID-19 y neumonía por otras causas. Los resultados muestran que, utilizando el clasificador de Bayes ingenuo, tomando un conjunto de histogramas como características de imagen, es posible diferenciar pulmones enfermos de sanos y neumonía provocada por COVID-19 o por otros virus con alta precisión. El desarrollo de esta investigación, no pretende en ningún momento suplir o suplantar la intervención de profesionales de la salud sino colaborar con los mismos.