Classification of COVID-19 from different computed tomography image datasets with machine learning and deep learning methods
Farklı bilgisayarlı tomografi görüntü veri kümelerinden makine öğrenme ve derin öğrenme yöntemleriyle COVID-19 sınıflandırılması
- Tez No: 749801
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ZEKİ KONYAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biyomühendislik, Computer Engineering and Computer Science and Control, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Covid-19 hastalığının hızlı teşhisi, enfeksiyonu önlemek için kritik öneme sahiptir. Yapay zekâ tabanlı birçok yöntemin radyologlara önemli bir yardım sağladığı kanıtlanmıştır. Bu tezde, bilgisayarlı tomografi (BT) tarama görüntülerinden COVID-19'u sınıflandırmak için makine öğrenmesi yöntemleri ve transfer öğrenme modelleri önerilmiş ve karşılaştırılmıştır. Makine öğrenmesi yöntemleri ile akciğere ait 746 eksenel BT görüntüsü ile COVID-CT veri seti; 349 COVID-19 (pozitif) ve 397 Covid-19 olmayan (negatif) kullanılmıştır. Şekil öznitelikleri, birinci dereceden istatistiksel öznitelikler ve gri seviye doku öznitelikleri gibi radiomiks özellikler BT görüntülerinden çıkarılmıştır. Model eğitimi için öznitelik vektörü, bir öznitelik grubu veya birden fazla grubun bir kombinasyonu ile oluşturulmuştur. Daha sonra Destek Vektör Makinesi, Rastgele Orman, k-en yakın komşular ve XGBoost sınıflandırıcı modellerini kullanarak sınıflandırılmıştır. Modellerin en iyi hiperparametreleri, GridSearchCV tekniği kullanılarak tuning modelleri ile seçilmiştir. Transfer öğrenme modelleri ile iki farklı COVID-19 CT veri seti kullanılmıştır. Sınıflandırma için, VGG-19, ResNet-50, DenseNet-201, Xception ve EfficientNet-B0 olmak üzere beş tane önceden eğitilmiş transfer öğrenme modeli kullanılmıştır. Modeller, Adam optimize yöntemi ile 50 tur için iki farklı COVID-19 CT veri kümesinde (Large COVID-19 CT scan slice dataset and CT Scans for COVID-19 Classification) ince ayarlanıp eğitilmiştir. Makine öğrenimi ve derin öğrenme modellerini değerlendirmek için her veri kümesinden bağımsız bir test seti kullanılmıştır. Birinci dereceden istatistik özelliklerine sahip XGBoost sınıflandırıcı ile makine öğrenme yöntemlerinin en iyi doğruluğu %98,65 iken, VGG-19 ve ResNet-50 sırasıyla %98,04 ve %99,62 ile birinci ve ikinci veri setlerinde en iyi doğruluğu elde etmiştir.
Özet (Çeviri)
Rapid diagnosis of the Covid-19 disease is critical to prevent infection. Many artificial intelligence-based methods have proved to provide an important assist to radiologists. In this thesis, machine learning methods and transfer learning models are proposed and compared to classify COVID-19 from CT scan images. With the machine learning methods, COVID-CT dataset with 746 axial computed tomography (CT) images of the lung; 349 COVID-19 (positives) and 397 non-Covid-19 (negative) was used. Radiomics features such as shape, first-order statistical features, and Gray-level texture features were extracted from the CT images. The feature vector for model training is constructed with one feature group or a combination of more than one group. We then classified using Support Vector Machine, Random Forest, k-nearest neighbors, and XGBoost classifier models. The best hyperparameters of the models were chosen by the tuning models using the GridSearchCV technique. With Transfer learning models, we used two different COVID-19 CT datasets. For classification, five transfer learning pre-trained models namely VGG-19, ResNet-50, DenseNet-201, Xception, and EfficientNet-B0 were used. The models were fine-tuned and trained on two different COVID-19 CT datasets (Large COVID-19 CT scan slice dataset and CT Scans for COVID-19 Classification) for 50 epochs with an Adam optimizer. An independent test set from each dataset was used to evaluate the machine learning and deep learning models. The best accuracy of machine learning methods was 98.65% by XGBoost classifier with first-order statistics features, while VGG-19 and ResNet-50 achieved the best accuracy on the first and the second datasets of 98.04% and 99.62% respectively.
Benzer Tezler
- Detection and measurement of multilevel COVID-19 infection using gamma correction and features extracted by CNN enhanced with xgboost from CT scan images
BT tarama görüntülerinden gama düzeltme ve xgboost ilegeliştirilmiş CNN kullanılarak çok düzeyli covıd-19enfeksiyonunun ölçümü ve tespiti
RANA SABRY ABBAS AL-BAYATI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırşehir Ahi Evran Üniversitesiİleri Teknolojiler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA AKSU
- Bilgisayarlı tomografi görüntüleri üzerinde derin öğrenme tabanlı COVID-19 teşhisine yönelik hekim karar destek sistemi tasarımı
Deep learning based physician decision support system design for COVID-19 diagnosis on computed tomography images
OĞUZHAN KATAR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKAN DUMAN
- Sağlık sektöründe yapay zekâ temelli bir klinik karar destek sisteminin geliştirilmesi
Development of an artificial intelligence-based clinical decision support system in the healthcare system
TUBA IRMAK
Doktora
Türkçe
2023
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ELİF KILIÇ DELİCE
- COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti
Detection of COVID-19 disease using deep learning methods
HÜSEYİN YAŞAR
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Medical image classification with graph convolutional networks
Grafik konvolusiyonel ağlarla tıbbi görüntü sınıflandırması
PSHTIWAN QADER RASHID RASHID
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. İLKER TÜRKER