Lung Disorder Detection Using Deep Learning

Abstract

Lungs are vital organs that are susceptible to airborne infection. People usually ignore the health of their respiratory system. Asthma is the most prevalent lung disorder in the world (about 240 million), after that chronic obstructive pulmonary disease (about 200 million). Besides, about 235 thousand cases have been reported for lung cancer in the US in one year. The mortality rate doubled in 14 years due to smoking, pollution, fumes, allergens and microbes. Current respiratory function tests fail to detect some lung disorders in their early phases. Deep learning is a branch of machine learning science. It supports the supervised or unsupervised learning algorithms. It is based on extracting the features from different forms of data and using them in the classification process. Besides, it produces outcomes more quickly than the ordinary approaches. Our study aimed to develop a deep Learning model to differentiate between lung dysfunction patients and healthy persons. If there was a disease, it would classify the type of malfunction even in its first stage. This study included 8128 images collecting the air flow information in a transversal section inside the trachea. These images were divided into two types of datasets. The first type was only a picture of the collected air particles in a specific section in the trachea. The second type was heat map images for the flow of the air through 24 hours. Each set was divided into 4 groups including non-patient group beside other 3 different types of disorders. In order to use the deep learning in diagnosis, two different of Convolution neural network CNN models were used. CNN is a branch in deep learning which is specific in processing images. Each group was divided into training and testing sets. The CNN models where trained to learn the features in the images having the best training accuracy. The trained model was evaluated by calculating the performance accuracy of the testing datasets. The results showed that CNN models could diagnose the lung disorders by accuracy 95.77% and 93.5% for the heatmap and particles’ models. Thus, deep learning managed to diagnose lung disorders using airflow images inside the trachea. تعتبر الرئتان من الأعضاء الحيوية التي تتعرض للإصابات والعدوى المحمولة بالهواء. الناس عادة ما يتجاهلون الاهتمام بصحة جهازهم التنفسي رغم ذلك. أكثر اضطرابات الرئة انتشارًا في العالم هو الربو (حوالي 240 مليون شخص) ، ويأتى بعده مرض الانسداد الرئوي المزمن (حوالي 200 مليون). بالاضافة الى ذلك ، تم الإبلاغ على ما يقرب من 235 ألف حالة إصابة بسرطان الرئة في الولايات المتحدة خلال عام واحد. أيضا تم تضاعف معدل الوفيات في 14 عامًا بسبب التدخين والتلوث والأبخرة والمواد المسببة للحساسية والميكروبات اختبارات وظائف الجهاز التنفسي الحالية تفشل في الكشف عن بعض اضطرابات الرئة في مراحلها المبكرة. Deep Learning يعد فرعا من فروع علوم Machine Learning. والذى يدعم خوارزميات التعلم الخاضعة للإشراف أو غير الخاضعة للإشراف.أيضا Deep Learningيعتمد على استخراج الصفات من البيانات باشكالها المختلفة واستخدام هذه الصفات في عملية التشخيص. علاوة على ذلك ، يستطيع deep learning الوصول الى النتائج أسرع من الطرق العادية. تهدف دراستنا إلى تطوير نموذج Deep learning للتمييز بين مرضى اعتلال الرئة والأشخاص الأصحاء. إذا كان هناك مرض ، فسيصنف نوع المرض حتى في مراحله الأولى. تضمنت هذه الدراسة 8128 صورة تجمع معلومات تدفق الهواء في قسم داخل القصبة الهوائية. تم تقسيم هذه الصور إلى نوعين من مجموعات البيانات. النوع الأول كان مجرد صورة لجزيئات الهواء التي تم جمعها في قسم معين في القصبة الهوائية. النوع الثاني كان صور حرارية لتدفق الهواء خلال 24 ساعة. بعد ذلك تم تقسيم كل مجموعة إلى 4 مجموعات بما في ذلك مجموعة غير المريض بجانب 3 أنواع مختلفة من الاضطرابات. من أجل استخدام deep learning في التشخيص ، تم استخدام نوعين مختلفين من نماذج Convulation Neural Network CNN. CNN فرع من فروع Deep Learning وهو خاص بمعالجة الصور. تم تقسيم كل مجموعة إلى مجموعات التدريب والاختبار.بالاضافة الى ذلك تم تدريب نماذج CNN على تعلم الصفات داخل الصور حتى الوصول الاى اعلى معدل من الدقة. تم تقييم النموذج المدرّب من خلال حساب دقة أداء مجموعات الاختبار. أظهرت النتائج أن نماذج CNN يمكنها تشخيص اضطرابات الرئة بدقة 95.77 ٪ و 93.5 ٪ لخرائط الحرارة والجزيئات. وهكذا ، دليلا على تمكن Deep Learning من تشخيص اضطرابات الرئة باستخدام صور تدفق الهواء داخل القصبة الهوائية.