Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
- Tez No: 847190
- Danışmanlar: PROF. DR. ADEM TEKEREK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 134
Özet
Covid 19 hastalığı dünya genelinde her yıl bir milyondan fazla ölüme neden oluyor. Covid 19 hastalıkları dünyadaki en yaygın tıbbi durumlardan bazılarıdır. Mevcut klinik teknolojiler binlerce görüntü üreterek bir hekimin hepsini doğru bir şekilde değerlendirmesini imkansız hale getirmektedir. Yeni bir koronavirüs hastalığı (COVID -19), Aralık 2019 'dan bu yana büyük akciğer hasarına ve solunum sorunlarına neden olmaktadır. Öte yandan, bir tür akciğer hastalığı olan pnömoniye neden olan COVID -19 virüsü veya başka bir viral veya bakteriyel enfeksiyon neden olabilir. Bu hastalıkların önlenmesi, kontrolü ve tedavisinin yanı sıra solunum sağlığının teşvik edilmesi, küresel sağlık karar vermede yüksek öncelikli olmalıdır. Ayrıca, tıbbi görüntülerin insan tarafından yorumlanması yanlış olma eğilimindedir ve tüm verileri ve görüntüleme bilgilerini ortaya çıkarmaz. Bu tezin birincil amacı, dijital göğüs röntgeni görüntülerinden Covid 19 hastalığı için otomatik taramaya derin öğrenme tekniklerini uygulamaktır. Makine öğrenimi tabanlı yöntemler için çerçeve çoğunlukla şu adımlardan oluşur: ön işleme, segmentasyon, öznitelik çıkarma ve sınıflandırma. Göğüs röntgeni görüntüleri, istenmeyen bozulmaları bastırmak ve aşağı akış işleme için önemli olan belirli görüntü özelliklerini geliştirmek için önceden işlenir ve bölümlere ayrılır. Daha sonra, derin öğrenme kullanılarak, göğüs röntgeni görüntülerini sınıflandırmak için kullanılan ilgili özellikler çıkarılır. Son olarak, sınıflandırıcıların performansı ölçülmüş ve karşılaştırılmıştır. Bu araştırmada, COVID -19 tanımlaması için makine öğrenimi modelleri oluşturmak amacıyla Covid19 veri kümesi ve Göğüs X - ışını (Covid -19 ve Pnömoni) veri kümesi olmak üzere iki kritik veri kümesinin kapsamlı bir incelemesini gerçekleştirdik. Bulgularımız, veri kümesi kalitesinin ve karmaşıklığının model performansı üzerinde önemli bir etkiye sahip olduğunu göstermektedir [1]. 1. Giriş Araştırmalarımız, DenseNet'in Covid19 veri kümesi için % 98,04 'lük en yüksek test doğruluğunu elde ettiğini gösterdi. Bu veri kümesi, gerçek dünyadaki sağlık uygulamalarında sağlam ve uyarlanabilir algoritmaların önemini vurgulayarak model oluşturma için zor bir ortam sağlar. Göğüs röntgeni (Covid -19 & Pneumonia) veri seti ise daha basit bir senaryo ile oluşturulmuş ve DenseNet'in % 95,80 test doğruluğu elde etmesiyle tüm modellerde kusursuz eğitim doğruluğu göstermiştir. Göğüs röntgeni (Covid -19 ve Pnömoni) veri setinin sonuçları iyi bir doğruluk potansiyeline sahiptir, ancak basitliği gerçek dünyadaki klinik ortamların karmaşıklığını yeterince temsil etmeyebilir. Covid 19 hastalığı tahmini için kullanılan derin öğrenme algoritmaları, yüksek tahmin oranına sahip denetimli öğrenmedir [2]. Bu tezde DenseNet ve MobileNet tabanlı Göğüs Röntgeni Görüntüleri kullanılarak Covid 19 hastalık tahmini için yeni bir Yaklaşım uygulanmaktadır. Bu tezde yapılan araştırmalar, radyologların ve hekimlerin rutin klinik uygulamalarda kullanabilecekleri klinik taramaların inanılmaz derecede hızlı bir şekilde teşhis edilmesini sağlayacaktır. Bununla birlikte, görüntü veri kümesindeki farklı modaliteler nedeniyle X - ışını görüntülerinden spondilolistezi tahmin etmek daha zordur. Bu tez, çalışanda Kovid 19 hastalığını tespit etmede gerçekten yardımcı olabilecek üç modeli özetlemektedir. Giriş görüntüsü birkaç evrişim katmanına tabi tutulur. ReLU aktivasyon fonksiyonu tüm evrişimli katmanlarda kullanılır. Önerilen CNN mimarisinin hiper parametreleri değiştirilerek deneyler yapıldı ve önerilen modeller MobileNet ve DenseNet çok iyi doğruluk ve hassasiyetle iyi performans gösterdi. Bir insanın akciğerleri ve solunum sistemi çevredeki havadan oksijen alır ve karbondioksit verir. Akciğerler, bazıları kalıtsal olabilen çok çeşitli koşullara karşı hassastır, bazıları ise kötü alışkanlıklardan, sağlıksız bir diyetten ve hatta enfeksiyonlardan kaynaklanabilir. Ancak COVID -19 nispeten yeni bir hastalıktır ve araştırmacılar bir kişinin akciğerleri üzerindeki etkileri hakkında her zaman yeni bilgiler edinmektedir. Araştırmacılar, insan vücudu üzerindeki etkilerin diğer iki koronavirüs enfeksiyonu olan şiddetli akut solunum sendromu (SARS) ve Orta Doğu Solunum Sendromu'nun (MERS) neden olduğu etkilere benzer olduğuna inanıyor. Radyoloji, insan akciğer hastalığının teşhisi sürecinde tutulumun modelini, yerini ve coğrafi dağılımını belirlemekten sorumlu uzmanlık dalıdır. Klinisyenler Covid 19 hastalığını teşhis ederken akciğerlerin oksijen ve karbondioksiti tutma, taşıma ve değiş tokuş etme yeteneklerini değerlendirebilirler. Solunum fonksiyon testleri akciğer hastalığının tipini ve şiddetini belirler. Göğüs görüntüleme, bronkoskopi ve torakoskopi doktorların akciğer hastalıklarını teşhis etmelerine yardımcı olur. Tüm dünyada çok sayıda insan Covid -19 hastalığının çeşitli türlerinden etkilendi. Özellikle virüsün neden olduğu akciğer hastalıkları, akciğerleri daha fazla fiziksel zorluklara ve hava kirliliğinin olumsuz etkilerine karşı daha savunmasız hale getirmektedir. Covid -19 'un bulaşıcı doğası göz önüne alındığında, bu, en etkili ilacı sunmak için doğru tanının önemini vurgulayarak akciğer fonksiyonunu azaltır. Radyologlar, çeşitli akciğer bozukluklarını keşfetmek ve teşhis etmek için göğüs röntgenlerini birincil tanı aracı olarak kullanarak bu tanı prosedüründe önemli bir rol oynamaktadır. Bu uzman kişiler, Covid -19 'un yanı sıra bronşit, infiltrasyonlar, atelektazi, perikardit, kırıklar ve çok daha fazlası gibi çok çeşitli hastalıkları tespit edebilirler. Şaşırtıcı bir şekilde, her yıl 2 milyondan fazla göğüs radyografisi tedavisi yapılmakta ve bu da onu dünyada en yaygın kullanılan hastalık muayenesi haline getirmektedir. Kovid -19 'un zatürre ve akciğer opaklığı gibi diğer viral enfeksiyonlarla örtüşen semptomları göz önüne alındığında, bireysel hastalıkları güvenilir bir şekilde ayırmak kritik hale geldi. Sonuç olarak COVID, Pnömoni, Akciğer opasitesi, Normal gibi gruplara ayrıldı. Kovid -19 hastalık tablolarının karmaşıklığı, röntgen filmlerinde hastalık özelliklerinin tespit edilmesini ve tanımlanmasını zorlaştırıyor. Daha önce, bu görüntülerin karmaşıklığı ve röntgen görüntülerinde durumları ve bozukluk hastalıklarını analiz etmenin zorluğu nedeniyle etkili gelişme engelleniyordu. Derin öğrenme algoritmaları, bu zorluklara yanıt olarak akciğer bozukluklarını teşhis etmek için umut verici araçlar olarak gelişmiştir. Çeşitli derin öğrenme algoritmaları kullanarak Kovid -19 hastalık tahminini araştırmak için çeşitli çalışmalar yapılmıştır. Bu gelişmeler, günümüzde kanser tanısı için sinir ağlarına dahil edilen tüberküloz (TB), kronik obstrüktif akciğer hastalığı (KOAH) ve pnömoni gibi diğer akciğer rahatsızlıklarının tanımlanmasına yol açmıştır [3]. Bu bağlamda derin öğrenme uygulaması, akciğer görüntülemede hastalık tanısının doğruluğunu ve etkinliğini artırmaya yönelik büyük bir adım sağlamaktadır. Hastanın göğüs röntgeni genellikle doktor bir hasta hastalığının öyküsünü topladıktan ve fiziksel muayeneyi yaptıktan sonra kontrol edilir. Hastanın tıbbi öyküsünden, fiziksel kontrolünden ve göğüs röntgeninden elde edilen bulgular, semptomların kök nedenini belirlemek için başka hangi tanı prosedürlerinin gerekli olabileceğine dair ipuçları sağlayabilir. Göğüs röntgeninde kalp, akciğerler, kan arterleri ve hava yollarının yanı sıra göğüs ve omurgadaki kemiklerin görüntüleri görülebilir. Göğüs röntgenleri, insan akciğerlerinde veya çevresinde sıvının yanı sıra bir akciğerin etrafındaki havanın varlığını da ortaya çıkarabilir [4-5]. Hastaları tıbbi yardım almaya ve acil servislere gitmeye sevk eden en yaygın semptom göğüs ağrısıdır. Daha yaygın olarak göğüs röntgeni (veya kısaca CXR) olarak adlandırılan göğüs radyografisi, toraksı etkileyen bozuklukların tanımlanmasında kullanılan en popüler radyoloji muayenelerinden biridir [6-7]. Bununla birlikte, radyografi belirsizlik durumlarında karar vermeyi gerektirir ve sonuç olarak, tamamen kusursuz yorumlar veya raporlar sunmak her zaman mümkün değildir. Bu amaçla, radyologların daha kısa sürede tanısal mükemmelliğe ulaşmalarına yardımcı olmak ve hastalar için sağlık hizmetlerinin kalitesini artırmak için Cad olarak da bilinen Bilgisayar Destekli Tanı oluşturuldu [8]. Cad sistemlerinin amacı, tıp uzmanlarıyla rekabet etmek veya onların yerini almak değildir; daha ziyade, radyologların çalışmalarını destekleyen“ikinci bir görüş”olarak hizmet etmeleri amaçlanmıştır. Radyografiler, BT taramaları, MRG'ler, nükleer tıp, PET taramaları, füzyon görüntüleme, ultrason ve diğer tıbbi görüntüleme tekniklerinin tümü, yaralanmaları ve hastalıkları tespit etmek ve tedavi etmek amacıyla tıbbi görüntüleme çalışması ve uygulaması olan görüntülemenin bir parçasıdır. Radyolog, radyoloji olarak bilinen tıp dalında görüntülemeye odaklanan bir uzmandır. Bu görüntüleme yöntemlerinden bazıları radyasyon kullandığından ve kendinizi radyasyondan nasıl koruyacağınızı anlamak için eğitime ihtiyacınız olduğundan, bu prosedürlerin bir kısmı da radyasyon güvenliği konusunda bilgi sahibi olmanızı gerektirir. Yapay Zeka (AI) ve Bilgisayarlı Görüşü (CV) kullanan teknikler, son on yılda önemli miktarda ilgi ve odak noktası kazanmıştır ve bu eğilimin devam edeceği öngörülmektedir [9]. Tıbbi görüntülerin sınıflandırılması, tipik görevin yanı sıra temel zorluklardan biridir. Kategorizasyon işleminin amacı, bir tıbbi görüntüye görüntünün içeriğine göre tek bir tanısal sonucun mu yoksa birkaç tanısal sonucun mu atanması gerektiğini belirlemektir. Bu bağlamda, kategorizasyonun doğruluğunu artırmak için daha karmaşık sınıflandırma yaklaşımları ve metodolojilerinin geliştirilmesi için önemli miktarda çalışma yapılmıştır. Başlangıçta, resim sınıflandırma sorununu çözmek için iki aşamalı bir süreç kullanılmıştır. İlk aşamanın amacı, özellik tanımlayıcılarını kullanarak bir görüntüden özellikleri manuel olarak çıkarmaktır, ikinci aşamanın amacı ise manuel olarak çıkarılan özellikleri eğitilebilir bir sınıflandırıcıya beslemektir. Bununla birlikte, ilk adımda öznitelik çıkarımı için kullanılan teknoloji, bu tekniğin ne kadar doğru olduğu üzerinde önemli bir etkiye sahiptir. Derin öğrenme, verileri birkaç doğrusal olmayan işleme katmanı aracılığıyla modelleyerek otomatik öznitelik çıkarma ve sınıflandırma sağladığından, resim sınıflandırma amacına ulaşmanın bir yolu olarak incelenmiştir. Günümüzde klinik görüntüleme, biri yapay zeka olan çok çeşitli testlerden giderek daha fazla unsur içermektedir. Bu bileşenler, derin öğrenme, bulanık kümeler, kaba kümeler, şüpheli analiz, çok hedefli ilerleme, sürü bilgi geliştirme ve makine öğrenmesi dahil olmak üzere birçok çalışmada yaygın olarak kullanılmaktadır. Hastalar, referans noktası olarak gecikmiş test sonuçları kullanılarak klinik gruplarına göre ankete tabi tutulur. Yapay zeka modelleriyle kişiselleştirilmiş enfeksiyon değerlendirme araçları, çok sayıda klinik resim kullanarak klinik fotoğraflarda örüntüleri ve bağlantıları bulma yeteneklerini kullanarak bilgisayar tabanlı zeka odaklı düzenlemelerin başka bir testinde geliştirilmiştir. Bu, klinik tabloların kullanımıyla gerçekleştirilir. Evrimsel sinir ağları tarafından sıklıkla kullanılır. Radyologlar ve doktorlar, birçok disiplinden uzmanların birleşik çalışmaları sayesinde yakında yeni araçlara sahip olacaklar. Radyoloji ve tıbbi görüntü işleme, en etkili ağı belirlemek amacıyla çeşitli yapay zeka algoritmalarının kapsamlı testlerine tabi tutulmuştur. Evrişimsel Sinir Ağları (CNN), segmentasyon, lokalizasyon ve sınıflandırma gibi görevler için tıbbi görüntü işlemede büyük potansiyel göstermiştir. Bu nedenle, göğüs röntgeni görüntülerini ve derin öğrenme yapay zeka teknolojilerini kullanarak COVID -19 hastalık tahmini için çığır açan bir yöntem üzerinde çalışıyoruz. Akciğerlerdeki anormallikler ölümle sonuçlanabilir; bu nedenle erken teşhis ve zamanında tedavi hayat kurtarabilir ve can kaybını önleyebilir. Akciğer sorunları olan hastalar önemli bir halk sağlığı sorunu olarak kategorize edilebilir. Akciğer bozuklukları için tipik tanı prosedürleri için bir dizi manuel muayene gereklidir. Bu insan müdahalesi çok zaman alır, son derece hataya açıktır ve kullanılan prosedürler her zaman yüksek düzeyde doğruluk garanti etmez. Bu nedenle, oftalmoloji alanındaki gerçek uygulamalar için otomatik yöntemler son derece önemlidir. Bu otomatik teknolojilerin çoğu, hastalıkları teşhis etmek için dijital görüntü analizine dayanmaktadır. Görüntü sınıflandırma yöntemi tanıda önemlidir. Bu süreçte, çeşitli benzerlik ölçümlerine dayalı olarak çeşitli anormal görüntüler bir dizi kategoride düzenlenir. Buradaki zorluk, bu otomatik kategorizasyon sistemlerinin kısa sürede yüksek doğruluk üretmesi gerektiğidir. Ek olarak, otomatik taramalar, hastalıkları doğrularken bir etkiye sahip olmak için en az iki potansiyel son nokta gerektirir. Standart açıklamalı referansları toplama süreci oldukça zaman alıcıdır. Algoritmalar için başvurulabilir veri havuzları oluşturmak, görüntülerin toplanması, gerekli ek açıklamaların sağlanması ve verilerin geniş kullanım için hazırlanmasıyla ilgili komplikasyonların bir sonucu olarak zorlaşan bir diğer konudur. Görüntüleme cihazlarının eskimesi, bir veri kümesinin ömrünü kısaltır, bu da eski referansların en son ekipman veya çözünürlüklerle uyumlu olması için revizyon gerektirmesi nedeniyle bir zorluk teşkil eder. Akciğerlerin görüntülerinin önceden işlenmesi gerekir, çünkü içlerinde gürültü olabilir. Birkaç görüntü içeren eğitim veri setleri, önemli miktarda zaman alır ve diğerlerine kıyasla yavaştır. Göğüs röntgeni görüntü işlemede en zorlu işlerden biri, önemsiz olmayan içerik içeren görüntülerde ihtiyaç duyulan bölümlerin bölümlere ayrılmasıdır. Ayrıca, segmentasyonun kesinliğinin nihayetinde bilgisayarlı analiz tekniklerinin akciğer hastalığını belirlemede başarılı olup olmadığını belirlediği gerçeğini de dikkatimize sunarlar. Bu nedenle, etkili segmentasyon sorunlu hale gelebilir. Dünyanın değişim yaşama hızı o kadar hızlı ki, insanların sağlığına giderek daha fazla baskı yapıyor. İklim, çevre ve insanların yaşam tarzındaki olumsuz değişimlerin tümü, insanlar arasında hastalık insidansının artmasına katkıda bulunur. Olumsuz etkilenen organlardan biri de akciğerdir. COVID -19 'un neden olduğu ölüm oranını azaltmak için uygulamalı zekadan yararlanan etkili bir temassız tanı ve karar destek sistemi geliştirmek. Bu, korona virüsü ile enfekte olmuş kişilerin şiddet seviyelerinin yanı sıra erken teşhisin doğruluğunu artırarak gerçekleştirilebilir. Hastalığın ilerlemesi hakkında daha iyi bilgi edinmek için, COVID -19 resimlerinin görüntü ön işleme, segmentasyon ve sınıflandırılmasında önemli tıbbi ve teknolojik ilerlemeler hala gereklidir. Küresel ölçekte başlıca ölüm nedenlerinden biri olan zatürre, insan yaşamı için ciddi bir tehdit oluşturmaktadır. Dünya çapında tahminen 1,4 milyon çocuk her yıl zatürreye yenik düşmekte ve bu savunmasız nüfus üzerindeki yıkıcı etkinin altını çizmektedir. Şaşırtıcı bir şekilde, bu endişe verici rakamın % 18 'i beş yaşından küçük çocuklara atfedilmektedir. Araştırmacılar, solunum hastalığının kapsamını daha iyi anlamak için Davranışsal Risk Faktörü Sürveyans Sistemi (BRFSS) 2020 anketinden elde edilen verileri analiz etti. Yirmi dokuz eyalette ve DC'de, anket, yetişkinlerin % 9,2 'sinin ve çocukların % 7,5' inin verilen anket döneminde astım olduğunu göstermiştir. Buna ek olarak, kronik akciğer bozuklukları 34,8 milyon Amerikalıyı veya nüfusun % 13,7 'sini etkilemiştir. Yetişkinler arasında astım ve kronik COVID -19 hastalığının belirli bir alanda ne kadar yaygın olduğunu öğrenmek için çalışmak gerekir. Bunu, 2020 BRFSS durum yaygınlık oranlarını yaş grubuna göre Kronik Hastalık Önleme ve Sağlığı Geliştirme web sitesinin ilçe düzeyindeki yaşa özgü yerleşik popülasyonları ile karşılaştırarak başarıyoruz. Bu yöntem, yerel bölgedeki yetişkin astım ve kronik Covid -19 hastalığı prevalansının kapsamlı bir değerlendirmesini sunarak sağlık manzarasına ilişkin yararlı bilgiler sağlar. Bu nedenle, bu pandemi durumu ve mevcut senaryo göz önüne alındığında, bilgisayarların gücü ve şu anda halka sunulan önemli miktarda veri göz önüne alındığında, yukarıda bahsedilen sorunun çözümüne katkıda bulunmak için iyi bir zaman. Amaç, tıbbi maliyetleri düşürmek ve derin öğrenme yöntemlerini kullanarak gerekli tıbbi bakım için ödeme yapamayan kişilere yardım sağlamak amacıyla akciğer hastalığını tahmin etmek için güvenilir bir yöntem oluşturarak topluma daha büyük bir katkı sağlamaktır. Daha önce, COVID -19 'un diğer viral hastalıklarla benzerlikleri nedeniyle tanımlanması zordu. Bununla birlikte, araştırmacılar X - ışını görüntülerine dayanarak akciğer hastalıklarını doğru bir şekilde sınıflandırabilen derin öğrenme modelleri geliştirmede önemli ilerlemeler kaydetmiştir. Tüberküloz (TB), kronik obstrüktif akciğer hastalığı (KOAH) ve pnömoni gibi akciğer bozukluklarını tahmin etmek için evrişimli sinir ağları (CNN'ler) gibi çeşitli derin öğrenme teknikleri kullanılmıştır. Bu modeller, makine öğrenimi yaklaşımlarını kullanarak görüntülerin sınıflandırılmasında yüksek etkinlik ve performans göstermiştir. 2. Alanyazın Taraması Babukarthik, R. G., ve diğerleri. [10] and other researchers gave limelight to COVID - 19 Disease as the cases of this disease wer exponentially rising day by day, therefore the need of faster and more economical solution for the medication of COVID -19 was raised, and the prediction by viewing CXR images samples of lung was an urgent issue. Çözüm, etkinliğini hesaplayarak ve VGG16, Squeeze Net, resenet50, Densenet -121 ve resenet18 gibi diğer modellerle karşılaştırarak genetik Derin Öğrenme CNN üzerinde çalışmaktı. Diğer yöntemlerle karşılaştırma yapıldıktan sonra, analiz performansının sonuçları tatmin edici olmuştur. Minaee, Shervin ve diğerleri [11] COVID 19 ve dünyanın farklı bölgelerindeki etkilerinden bahsetmiştir. COVID -19 'u tespit etmek, COVID 19 için ilaç bulmanın önemli adımlarından biridir. Teşhis ne kadar hızlı olursa, ilaç uygulaması da o kadar hızlı olur ve daha az Kovid 19 vakası tespit edilir. 5000 'den fazla Göğüs RÖNTGENİ Görüntüsünü içeren veri setini topladılar ve Squeeze Net, DenseNet -12, resNet50 ve resNet18 gibi farklı derin öğrenme modelleriyle test ettiler. Sonuç elde etmek için veri kümesi, yaklaşık 2000 ila 3000 göğüs RÖNTGENİ görüntüsünden oluşan test ve tren veri kümesine ayrılmıştır. Özgüllük oranı % 90, duyarlılık oranı ise % 98 civarında çıkmıştır. Sonuçları elde etmek için deneyin ayrıntılı bir analizi yapıldı. Ağırlıklı olarak aktarılan öğrenme yaklaşımını takip etmişlerdir. Çoğunlukla sınırlı örneklerimiz olduğunda kullanılır. Bu genellikle farklı özelliklerin çıkarılması için yapılır. Veri seti sınırlı olduğundan, tüm özelliği çıkarmak ve daha doğru sonuçlar elde etmek için Konvolüsyonel Sinir Ağının son katmanını ayarladılar. Spesifite, Sensitivite, AUC ve ROC olmak üzere 4 farklı parametreye sahip modelleri kontrol etmişlerdir. Tüm modellerin özgüllüğü ve duyarlılığı % 90 civarında olduğu için bu karşılaştırma oldukça başarılı oldu ve gelecekte daha doğru sonuçlar elde etmek için daha büyük veri kümeleri üzerinde çalışacaklar. Cohen, Joseph Paul ve diğerleri ve diğer araştırmacılar, [12] erken aşamalarda COVID Tespiti üzerinde çalışmaya karar verdiler çünkü o zamanlar her ülkedeki SICAK NOKTALAR üstel oranda artıyordu. O zaman hiçbir aşılama yapılmadı, bu yüzden bunu tespit etmek ve bu hastalığın ilacı üzerinde çalışmak için büyük bir ihtiyaç ortaya çıktı. Bu, esas olarak farklı ülkelerdeki doktorların COVID'i erken aşamalarda tespit etmelerine yardımcı olmak için yapıldı, böylece sıcak noktalar azaltıldı. Araştırma için veri setlerini oluşturmak için 26 'dan fazla ülkeden göğüs RÖNTGENİ GÖRÜNTÜLERİNİ topladılar. Veri kümesi çok büyük olduğu için önlerinde farklı önyargılar ve sorunlar vardı, bu yüzden bir kıtayı veya bir ülkeyi terk etme tekniğini uyguladılar. Test ve eğitim veri seti için doğru sonuçları elde etmek için farklı ülke veya kıta gruplarını çıkardılar. Esas olarak COVID – 19 'un şiddetini tahmin etmişlerdir. Kullanılan teknik Lojistik Regresyon ve Lineer Regresyon idi. Ardından, 20 'den fazla sonuç içeren Göğüs RÖNTGENİ görüntülerinin ilk veri kümesini oluşturdular. Panwar, Harsh ve diğerleri ve diğer araştırmacılar, [13] tahmin için makine öğreniminde mevcut olan diğer tekniklerle en başarılı olduğu için çeşitli Derin Öğrenme Teknikleri kullanarak COVID -19 'un Erken Saptanması üzerinde çalışmışlardır. Esas olarak Renk Görselleştirme olan ana yaklaşıma odaklandılar. COVID – 19 tanımalarını, COVID – 19 Hastalığının Göğüs Röntgeni Görüntüleri, COV -2 BT taraması ve pnömoninin göğüs röntgeni görüntüleri adlı 3 veri kümesi izlemiştir. Ayrıca her iki hastalığın semptomları oldukça benzer olduğu için Pnömoni ve COVID – 19 'daki paternleri de tahmin etmişlerdir. Ayrıca, renk Görselleştirme için Grad CAM tabanlı renk görselleştirme tekniğine odaklanmışlardır. Heidari, Morteza ve diğerleri ve diğer araştırmacılar, [14] bulaşıcı bir hastalık türü olduğu için COVID -19 Hastalığına odaklanmışlardır, bu nedenle bunun tespiti erken aşamalarda çok önemlidir. Ayrıca bu hastalığın yayılmasını mümkün olan en verimli ve etkili şekilde kontrol etmeye yardımcı olacaktır. Burada da GÖĞÜS RÖNTGENİ veri seti tahmin için kullanılır. Bu çalışmada Yeni Cad (Bilgisayar Destekli Teşhis) şemasını test ettiler. Düşündükleri ana sınıflar Pnömoni (Non - COVID), Pnömoni (COVID) ve Normaldir (Non - COVID ve NO Pnömoni). Bu şema modele uygulandıktan sonra, doğruluk yaklaşık % 98 özgüllük ve hassasiyet ile % 94,5 olarak ortaya çıkmaktadır. Alazab, Moutaz ve diğerleri ve diğer araştırmalar, [15] COVID'e odaklanmıştır çünkü bu hastalık bulaşıcı bir hastalıktır. O dönemde hızla yayılıyordu. Daha doğru sonuçlar elde etmek için 1000 gerçek Göğüs X - Rat Görüntüsü elde ederler. Esas olarak otoregresif entegre hareketli ortalama modeli, peygamber algoritması ve uzun kısa süreli bellek sinir ağı olarak Derin Öğrenme Tekniği ve türlerine odaklanmışlardır. Bundan sonraki 7 gün içinde ölümlerin, iyileşmelerin ve teyitlerin sayısını tahmin ettiler. Tüm Göğüs RÖNTGENİ Görüntülerinin tahmini, Avustralya ve Ürdün gibi kıyı dışı alanlarda yapıldı. Ayrıca, bu modelin daha fazla sayıda bulaşıcının olduğu yerlerde kullanılabileceğini de bildirmişlerdir. Ölüm tahmini, iyileşen ve doğrulanan vakalar Hindistan, Avustralya ve Ürdün için grafik şeklinde yapıldı. Tahia Tazin ve diğerleri, [16] röntgen görüntülerinden beyin kanserlerini tanımlamak için CNN olarak da bilinen evrişimli bir sinir ağı kullanılarak yapılan araştırmayı sunuyor. Bu alanda yapılan kapsamlı araştırmaların bir sonucu olarak, sunulan model, bir transfer öğrenme tekniğini kullanırken doğruluğu artırmaya vurgu yapmaktadır. Performans, sınıflandırmaların ne kadar doğru yapıldığına göre değerlendirilmiştir. MobileNetV2 ile % 92 doğruluk, InceptionV3 ile % 91 doğruluk ve VGG19 ile % 88 doğruluk elde edilmiştir. Diğer çeşitli ağlarla karşılaştırıldığında, MobileNetV2 en yüksek doğruluk seviyesini sağlamıştır. Bu doğruluklar, tümörlerin erken tespit edilmesine yardımcı olarak, tedavinin felç veya diğer bozukluklar gibi herhangi bir zararlı fiziksel etkinin başlamasından önce başlamasına izin verir. Abdelbaki Souid ve arkadaşları, [17] MobileNet V2 modelinin değiştirilmiş bir versiyonunu kullanarak frontal torasik röntgen görüntülerine dayanarak akciğerlerde kategorizasyon ve hastalıkların tanımlanması için bir yöntem sunmuştur. Transfer öğrenimini meta veri kullanımıyla birlikte incelediler ve NIH veritabanını kullandılar. AUC ölçümleri birincil karşılaştırma aracı olarak kullanılmış ve analiz sınıflandırıcılar arasındaki farklılıklara odaklanmıştır. Yazarlar, AUC'yi ortalama 0.81 ve doğruluğun % 90 'ı olarak bulmaktadır. Veri kümesinin yeniden örneklenmesinin modelin performansında önemli bir iyileşme sağladığı sonucuna varmışlardır. Daha önce de belirtildiği gibi, başta gençler olmak üzere çok sayıda insan covid veya zatürre gibi akciğer hastalıklarından etkileniyor. Bu hastalıklar, uygun tıbbi tesislerin bulunmaması ile birleştirilir. Hastalıktan tam bir iyileşme sağlamak için bu akciğer hastalığının hızlı bir şekilde teşhis edilmesi esastır. En yaygın tanı yöntemi X - ışını taramalarının incelenmesidir; ancak, bu yöntemin doğruluğu radyoloğun yorumlayıcı becerilerine bağlıdır ve radyologlar arasında sıklıkla tartışmalıdır. Bildiğimiz kadarıyla, ilgili çalışmada daha önce bahsedilen yöntemlerin çoğu, akciğer hastalığının sınıflandırılması için bir genetik algoritma, CNN modeli veya derin öğrenme algoritması geliştirmeye odaklanmıştır. Bununla birlikte, sunulan çalışmanın amacı, düşük güçlü cihazlar için eğitilebilir bir model oluşturmak; akciğer hastalığının sağlam tahmini problemini çözmek; ve kaybolan gradyanlar problemini çözmekti ve bu nedenle bu çalışma uygulandı. Özellikle akciğer hastalığı sınıflandırması için tıbbi görüntü işlemede derin öğrenme modellerinin kullanılması umut verici sonuçlar göstermiştir. Evrişimsel Sinir Ağları (CNN), tıbbi görüntülerde görüntü sınıflandırma, lokalizasyon ve segmentasyon gibi görevlerde başarılı olmuştur. Akciğer hastalıkları söz konusu olduğunda, araştırmacılar göğüs röntgeni görüntülerine dayanarak hastalıkları sınıflandırmak ve tahmin etmek için MobileNet ve DenseNet gibi CNN modellerini kullanmışlardır. Bu modeller, binlerce göğüs röntgeni görüntüsünden oluşan büyük veri kümeleri üzerinde eğitilmiştir. 3. Materyal ve Yöntem CNN'in görüntüleri çeşitli senaryolarda kategorilere ayırma yeteneği yadsınamaz. Belirli bir veri kümesinin özelliklerine göre performansı artırmak için geliştirilmiş çok sayıda CNN versiyonu vardır. Ayrıca, CNN'ler, sınıflandırma için girdileri hazırlamak için gereken resim hazırlama çabasını otomatikleştirmeyi amaçlamaktadır. İlk olarak, çalışmamızda göğüs röntgeni kategorizasyonu için CNN tabanlı sınıflandırma algoritmalarını benimsiyoruz. Makine öğrenimi algoritmaları son yıllarda büyük ölçüde ilerlemiş olsa da, şu anda kamuya açık birkaç tıbbi görüntü veri kümesi bulunmaktadır. CNN'lerin uçtan uca öğrenme mimarisi, kategorizasyon ve öznitelik çıkarımından sorumludur. CNN'ler havuz oluşturan, tamamen bağlantılı ve evrişimli katmanlara sahiptir. Ağ mimarisinin oluşturulması ve sınıflandırma için yüksek derecede ayırt edilebilir özellik setinin oluşturulması, havuzlama ve evrişim katmanlarının ardışık bir sırayla kullanılmasıyla gerçekleştirilir. Tam bağlantılı katmanlar, kendisinden önce gelen katmanlardan elde edilen özellik setinden yararlanan bir kategorizasyon performansı gerektirir. CNN model eğitiminde, geleneksel geri yayılım algoritması modelin parametrelerinin önemli bir kısmını değiştirmektedir. Konvolüsyon işlemi ile üretilen özellik haritasına doğrusal olmayan bir aktivasyon fonksiyonu eklemek için ReLU tekniğini kullanıyoruz. Maksimum havuzlama katmanının amacı, altındaki katmandan getirilen anlamsal olarak uygun özellikleri eşlenik hale getirmektir. Maksimum havuzlama katmanı, önce altındaki katmanı dikdörtgen havuzlama bölgelerine bölerek ve ardından bu bölgelerin her birinin maksimumunu temsil eden değeri belirleyerek aşağı örnekleme işlemini gerçekleştirmekten sorumludur [18]. CNN'lerin son seviyesi, tamamen bağlantılı bir katmanın yanı sıra bir softmax sınıflandırıcısı içerir. Önceki katman ile sınıflandırma katmanı arasında yer alan tamamen bağlantılı katman iletimden sorumludur. Özetle, tamamen bağlı katmanlar üç aşamaya ayrılabilir. Prosedürün ilk aşamasında, konvolüsyon ve havuzlama katmanı sonuçları düzleştirilir ve bir sütun vektörüne dönüştürülür. Bu sütun vektörü, ikinci aşamanın giriş katmanı olarak kullanılacaktır. Bir önceki aşamanın sonuçları, ikinci aşamada özellik analizi için girdi olarak kullanılır ve gerçek etiketleri tahmin etmek için ağırlıklar eklenir. Son adım, sonunda her bir sınıf etiketine uygulanacak tahmin puanlarını seçmektir. Araştırmacılar akciğer hastalıklarını öngörmede çeşitli derin öğrenme modellerinin performansını karşılaştırmışlardır. MobileNet, DenseNet, SqueezeNet, VGG16 ve ResNet gibi modeller, özgüllük, hassasiyet, doğruluk ve alıcı çalışma karakteristiği (ROC) eğrisi altındaki alan gibi metriklere göre değerlendirilmiştir. Bu modeller % 88 ile % 98 arasında değişen yüksek doğruluk oranlarına ulaşmıştır [19]. MobileNet ve DenseNet gibi derin öğrenme modellerinin uygulanmasının, röntgen görüntülerinden akciğer hastalıklarını doğru bir şekilde tahmin etmede başarılı olduğu kanıtlanmıştır. Bu modeller, COVID -19, pnömoni ve akciğer opaklığı dahil olmak üzere hastalıkların erken teşhisinde ve teşhisinde radyologlara ve hekimlere yardımcı olma potansiyeline sahiptir. Tıbbi görüntü işlemede derin öğrenme tekniklerinin kullanılması, radyoloji alanında devrim yaratma ve hasta bakımını iyileştirme potansiyeline sahiptir [20]. 4. Sonuçlar ve Tartışma The prediction results was calculated on the based on numerous variables as Area under ROC (AUC), F1 - score, accuracy, precision, and recall. ROC altındaki alan, tahmin modelinin performansını hesaplamak için kullanılır. İş akışımızı göz önünde bulundurursak, CNN, MobileNet için elde edilen performans matrisi sonucunu ve bu kriterler için önerilen yaklaşımı Tablo 1 'de görmekteyiz. Kesinlik, gerçek pozitif değişken grupları olan tüm doğru pozitif sınıflandırmaların, gerçekten pozitif olması beklenen tüm vakalara oranını dikkate alır. Doğru pozitif tuple sayısının, doğru pozitif olan toplam vaka sayısı içindeki oranı. Hassasiyet ve geri çağırma, F1 olarak belirlenen fonksiyona dahildir. Elde edilen bu sonucun doğruluğunun karşılaştırılması ve eğitim ve test veri kümesi için grafiksel gösterimi. Önerilen yaklaşımın % 96 ile daha yüksek test doğruluk oranı ve 0.93 ile ROC AUC puanı elde ettik. Doğrulukta, tüm vakalardan tüm gerçek pozitifleri ve tüm gerçek negatifleri içeren tüm doğru sınıflandırmaların oranı. Genellikle 0 ile 1 arasında değişmektedir. Tahminler 1 'e yakınsa, daha fazla tahmin doğrudur. Kullanılan veri seti için Eğitim ve Doğrulama Doğruluk ve kayıp Grafiği şekil 5 'te gösterilmiştir. Şekilden, sinir ağının her döneminde eğitim ve test kaybının azaldığı açıktır. Eğitim süresi boyunca, doğruluk ve model kaybını hesaplamak için toplam 20 dönem çalıştırılmıştır. Çıkarım aşamasında eğitilmiş model ağırlıklarının kullanılacağı dönemi açıklar. Test performansının analizi, alıcı çalışma karakteristiği (ROC) aracılığıyla oluşturulmuştur. Doğal CNN yöntemi için bu ROC eğrisi, göğüs röntgeni veri seti görüntülerinden Covid için alanın toplam % 100 'ünü, normal için % 86' sını ve viral pnömoni için % 92 'sini sağlar. . MobileNet'in bu sonucu, göğüs röntgeni veri setinde olduğu gibi Covid için % 100 bölge, normal için % 90 bölge ve viral pnömoni için % 92 bölge sunmaktadır. ROC eğrisi, duyarlılık ve özgüllük arasında yapılması gereken uzlaşmayı göstermektedir. Sol üst köşeye daha yakın olan eğriler üreten sınıflandırıcılar daha yüksek bir performans seviyesi gösterir. ROC eğrisi, önerilen yöntemin ROC'sini gösterir. Önerilen bu yöntem ROC eğrisi, kullanılan x - ışını veri setinden Covid için % 100 bölgeyi, normal vaka için % 89 bölgeyi ve viral pnömoni için % 93 bölgeyi göstermektedir. Önerilen yöntem, röntgen görüntüsünün 3 kategorisi arasında Covid ve viral pnömoni vakasını göstermek için yüksek ROC sağlar. Buna ek olarak, sonuç, DenseNet ve MobileNet yöntemine dayanan önerilen yaklaşımımız ile akciğer hastalığını tanımlamak ve kategorilere ayırmak için bilimsel literatürde son zamanlarda araştırılan diğer dört son teknoloji model arasındaki benzerlikleri ve farklılıkları analiz etmektedir. Bu araştırmada kullanılan veri seti ve metodoloji tabloda gösterilmiştir. Farklı test teknikleri nedeniyle, bu araştırmaların doğruluğu doğrudan karşılaştırılamaz, ancak sunulan istatistikler, önerilen modelimizin doğrulandığını ve diğer modellerle oldukça karşılaştırılabilir sınıflandırma sonuçları ürettiğini açıkça ortaya koymaktadır. Bu durum, bu çalışmaların bildirilen doğruluğunun doğrudan karşılaştırılmasının mümkün olmamasına rağmen geçerlidir. MobileNet ve DenseNet'in akciğer hastalığını tahmin etme madencilik yeteneğinden yararlanan ve daha yüksek test doğruluk oranı ile sonuçlanan derin yapısı. Sunulan yöntem esas olarak Normal, COVID -19 ve Viral Pnömoni olmak üzere üç enfeksiyon kategorisinin göğüs röntgeni sınıflandırmasına dayanan Evrişim sinir ağını kullanır. Önerilen yaklaşım, MobileNet ve DenseNet yaklaşımının hibrit bir yöntemini kullanarak bu konvolüsyon sinir ağında göğüs röntgeni görüntülerine 8 katman kullandı. Göğüs röntgeni görüntülerinin analizinde test doğruluğu, F1 - skoru, kesinlik, hatırlama ve ROC AUC eğrisi kullanılır. Karşılaştırma araştırmamızda, önerilen yöntem, akciğer hastalığının bilgisayar destekli teşhisi için klinik ortamlarda uygulama potansiyelini destekleyen iyi bir sınıflandırma performansı göstermiştir. Covid19 - dataset, Chest X - ray (Covid -19 & Pneumonia) ve mevcut araştırma çalışmalarının test doğruluk bulgularını detaylı olarak karşılaştırdık. Özellikle, Covid19 veri setini kullanan önerilen DenseNet tekniği, % 98,04 'lük en yüksek test doğruluğunu elde etti. Bu, Covid19 veri kümesi üzerinde eğitilen DenseNet modelinin, göğüs röntgeni resimlerinden COVID -19 örneklerini belirlemede mevcut araştırma yaklaşımlarından daha iyi performans gösterdiğini göstermektedir. Akciğer grafisi (Covid -19 & Pnömoni) ile önerilen DenseNet tekniği ile karşılaştırıldığında % 95,80 gibi biraz daha düşük bir test doğruluğu elde edilmiştir. Bu hala saygın bir doğruluk puanı olsa da, Covid19 veri setinin doğruluğundan daha düşüktür. Bu doğruluk eşitsizliği, iki veri kümesi arasındaki veri kalitesi, miktarı veya çeşitliliğindeki farklılıklarla ilgili olabilir. Covid19 veri kümesi, modelin daha iyi genelleme yapmasına olanak tanıyan daha çeşitli ve bilgilendirici görüntüler içerebilir. Önceki araştırma çalışmalarıyla karşılaştırıldığında, Covid19 veri kümesini kullanan önerilen DenseNet metodolojisi, COVID -19 tespit doğruluğunu artırmada yeni veri kümesinin ve stratejinin önemini göstererek diğerlerini geride bırakmaktadır. Mevcut çalışmalar arasında CT - Scan resimlerine uygulanan Panwar ve ark .' nın Grad CAM yaklaşımı % 95.61 ile en yüksek test doğruluğunu elde ederken, bunu % 94.50 doğrulukla Heidari ve ark .' nın VGG16 modeli yakından takip etmiştir. Gerçek dünyadaki COVID -19 hasta veri setlerinde, Alazab ve ark. bir CNN kullanarak % 94,80 'lik bir doğruluk elde etmiştir. Abdelbaki Souid ve arkadaşları, MobileNet V2 kullanarak göğüs röntgeni görüntülerinde % 90 'lık bir test doğruluğu elde etmişlerdir. Sonuç olarak, Covid19 veri kümesi ve önerilen DenseNet metodolojisi, COVID -19 tespit doğruluğunda önceki yöntemlerden daha iyi performans göstererek umut verici sonuçlar vermektedir. Veri Kümeleri A ve B arasındaki performans eşitsizlikleri, makine öğrenimi görevlerinde veri kümesi seçiminin ve kalitesinin önemini vurgulamaktadır. Bu bulgular, göğüs röntgeni görüntülemesini kullanarak COVID -19 tanımlamasını iyileştirmek için devam eden çabaları ilerletmeye yardımcı olmaktadır. Tezin sonuçları, daha fazla araştırma için potansiyel yönelimlerin tartışılmasıyla birlikte bu bölümde kısaca açıklanmıştır. Bu tezin temel amacı, dijital göğüs röntgeni görüntülerinde Covid 19 hastalığını otomatik olarak tespit etmek için makine öğrenimi ve derin öğrenme tekniklerini kullanmaktır. Geliştirilmiş test doğruluğu, Mobile Net ve Dense Net'in COVID -19 hastalık tahmini için madencilik yeteneklerinden yararlanan derin yapısının doğrudan bir sonucudur. Göğüs röntgenlerini üç farklı enfeksiyon türüne (Normal, COVID -19 ve Viral Pnömoni) sınıflandırmak için mevcut algoritma büyük ölçüde evrişimli sinir ağlarına dayanmaktadır. Yoğun Ağ yöntemi, göğsün röntgen görüntülerine sekiz katmanlı bir evrişimli sinir ağı uyguladı. Göğüs röntgeni resimlerini test doğruluğu, F1 - skoru, hatırlama, hassasiyet ve ROC AUC eğrisini kullanarak analiz ediyoruz. Önerilen yöntem, karşılaştırma çalışmamızda umut verici bir sınıflandırma performansı gösterdi ve bilgisayar destekli bir akciğer hastalığı tanı aracı olarak klinik ortamlarda kullanım için fizibilitesine güven verdi. Makine öğrenmesi modelleri kullanılarak COVID -19 tespiti amacıyla, Covid19 veri kümesi ve Göğüs Röntgeni (Covid -19 ve Pnömoni) olmak üzere iki ayrı veri kümesine odaklandık. Bu veri kümelerinin karşılaştırılması, etki alanının sorunları ve beklentileri hakkında yararlı bilgiler sağlar. Covid19 veri kümesi, % 100 eğitim doğruluğu elde eden tüm modellerin belirttiği gibi daha temel bir senaryoyu tasvir etmiştir. Bu veri kümesi, Dense Net'in % 98,04 'lük bir test doğruluğuyla ortaya çıkmasıyla COVID -19 tespitinde yüksek doğruluk olasılığını göstermiştir. Bununla birlikte, Covid19 veri setinin gerçek dünyadaki klinik ortamların inceliklerini yeterince temsil edemeyebileceğini hatırlamak önemlidir. Göğüs röntgeni resimlerinden oluşan göğüs röntgeni (Covid -19 & Pnömoni) veri seti, klinik ortamlarda görülen zorluklara yakından benzemektedir. Görüntü kalitesindeki ve diğer özelliklerdeki doğal dalgalanmalar nedeniyle, bu veri kümesi derin öğrenme modelleri için daha zor bir sorun sunmuştur. Testlerimize göre DenseNet, Göğüs Röntgeni (Covid -19 ve Pnömoni) veri setinde sürekli olarak sağlam bir performans sergiledi ve bu da bu sorunlar karşısında dayanıklılığını gösteriyor. Öte yandan, göğüs röntgeni (Covid -19 ve Pnömoni) veri kümesi, gerçek COVID -19 tanımlamasının karmaşıklığını göstererek, modeller arasında daha düşük genel test doğruluklarıyla sonuçlandı. Her iki veri kümesi arasındaki sayısal bulguların karşılaştırılması, makine öğrenimi modellerinin etkinliğini şekillendirmede veri kalitesinin ve çeşitliliğinin kritik önemini vurgulamaktadır. Covid19 veri kümesi gibi gerçek dünya veri kümeleri, pratik sağlık uygulamalarında iyi performans gösterebilecek modeller oluşturmak için kritik öneme sahiptir. Öte yandan, Göğüs Röntgeni (Covid -19 ve Pnömoni) veri kümesi gibi basitlik veri kümeleri, model yeteneklerini değerlendirmek için yararlı ölçütler olarak hizmet edebilir. Çalışmada COVID -19 için hatırlama değeri 0.96, viral pnömoni için kesinlik değeri 1 ve normal vaka değeri 0.80 olarak bulunmuştur. Normal F1 - Skoru 0.89, COVID -19 F1 - Skoru 0.98 ve viral pnömoni F1 - Skoru 0.89 'dur. Dens net yöntemi ile 0.94 ROC AUC değeri ve % 98.04 doğruluk elde edilmiştir. Doğruluk ölçüsü, hem gerçek pozitifleri hem de gerçek negatifleri kapsayan doğru sınıflandırmaların toplam vaka sayısına bölünmesidir. Elde edilen sonuçlar, Dense Net yaklaşımının tanı doğruluğu ve göğüs röntgeni resim sınıflandırması açısından native CNN ve Mobile Net yöntemlerinden daha iyi performans gösterdiğini ve üstün tanıma oranlarına sahip olduğunu kanıtlamaktadır. Yüksek Precision ve F1 skoru sayesinde daha az yanlış negatif üretir. COVID negatif olarak yanlış teşhis edilen COVID pozitif bir hastanın diğer hastaları önemli ölçüde enfekte edebileceği göz önüne alındığında, bu enfeksiyonun önlenmesi için çok önemlidir. Eğitilebilir bir modelin geliştirilmesi ve düşük güçlü cihaz özelliklerinin iyileştirilmesi bu çalışmanın diğer hedefleriydi. Bu tezde, en önemli göğüs hastalıklarından üçünün (normal (sağlıklı), pnömoni ve Covid -19) otomatik hastalık tanımlaması ve teşhisi dikkate alınmıştır. Bununla birlikte, gelecekte, bu çalışma potansiyel olarak kronik obstrüktif akciğer hastalığı (genellikle KOAH olarak bilinir), astım, ödem, kistik fibroz ve akciğer kanseri gibi diğer birkaç göğüs rahatsızlığına genişletilebilir. Ek olarak, çeşitli özellikler ve sınıflandırıcılar kullanılabilir ve bunların ilgili etkinlik seviyeleri değerlendirilebilir. Önerilen sistemi gerçek zamanlı ortamlarda konuşlandırılabilir hale getirmek için, gerçek zamanlı göğüs röntgeni resimlerinin otomatik tahmini için tek aşamalı derin öğrenme yaklaşımlarının, yani YOLO ve SSD'nin etkinliğini araştırmak için daha fazla araştırma yapılabilir. Gürültülü görüntülerdeki hastalıkları daha iyi teşhis etmek için, gelecekteki araştırmalar diğer model yapılarına ve yeni etiket bağımlılığı mimarilerine bakabilir. Kaynaklar 1.Kido, S., Hirano, Y. and Hashimoto, N. (2018). Detection and classification of lung abnormalities by use of convolutional neural network (CNN) and regions with CNN features (R-CNN). 2018 International Workshop on Advanced Image Technology (IWAIT), Chiang Mai, 1-4. 2.Cozzi, D., Cavigli, E., Moroni, C., Smorchkova, O., Zantonelli, G., Pradella, S. and Miele, V. (2021). Ground-glass opacity (GGO): a review of the differential diagnosis in the era of COVID-19. Japanese Journal of Radiology, 39(8), 721-732. 3.Soomro, T. A., Zheng, L., Afifi, A. J., Ali, A., Yin, M. and Gao, J. (2022). Artificial intelligence (AI) for medical imaging to combat coronavirus disease (COVID-19): A detailed review with direction for future research. Artificial Intelligence Review, 2, 1-31. 4.Babukarthik, R. G., Adiga, V. A. K., Sambasivam, G., Chandramohan, D. and Amudhavel, J. J. I. A. (2020). Prediction of COVID-19 using genetic deep learning convolutional neural network (GDCNN). Ieee Access, 8, 177647-177666. 5.Minaee, S., Kafieh, R., Sonka, M., Yazdani, S. and Soufi, G. J. (2020). Deep-COVID: Predicting COVID-19 from chest X-ray images using deep transfer learning. Medical Image Analysis, 65, 101794. 6.Cohen, J. P., Morrison, P., Dao, L., Roth, K., Duong, T. Q. and Ghassemi, M. (2020). Covid-19 image data collection: Prospective predictions are the future. arXiv preprint arXiv:2006.11988. 7.Panwar, H., Gupta, P. K., Siddiqui, M. K., Morales-Menendez, R., Bhardwaj, P. and Singh, V. (2020). A deep learning and grad-CAM based color visualization approach for fast detection of COVID-19 cases using chest X-ray and CT-Scan images. Chaos, Solitons & Fractals, 140, 110190. 8.Heidari, M., Mirniaharikandehei, S., Khuzani, A. Z., Danala, G., Qiu, Y. and Zheng, B. (2020). Improving the performance of CNN to predict the likelihood of COVID-19 using chest X-ray images with preprocessing algorithms. International Journal of Medical Informatics, 144, 104284. 9.Alazab, M., Awajan, A., Mesleh, A., Abraham, A., Jatana, V. and Alhyari, S. (2020). COVID-19 prediction and detection using deep learning. International Journal of Computer Information Systems and Industrial Management Applications, 12(7), 168-181. 10.Tazin, T., Sarker, S., Gupta, P., Ayaz, F. I., Islam, S., Monirujjaman Khan, M. and Alshazly, H. (2021). A robust and novel approach for brain tumor classification using convolutional neural network. Computational Intelligence and Neuroscience, 2(3), 15-18. 11.Souid, A., Sakli, N. and Sakli, H. (2021). Classification and predictions of lung diseases from chest x-rays using mobilenet v2. Applied Sciences, 11(6), 2751. 12.Das, N., Topalovic, M. and Janssens, W. (2018). Artificial intelligence in diagnosis of obstructive lung disease: current status and future potential. Current Opinion in Pulmonary Medicine, 24(2), 117-123. 13.Touretzky, D. S., Gardner-McCune, C., Kong, S. C. and Abelson, H. (2022). Artificial intelligence thinking in k-12. Computational Thinking Education in K-12: Artificial Intelligence Literacy and Physical Computing, 2, 153-180. 14.Mamdani, M. and Slutsky, A. S. (2021). Artificial intelligence in intensive care medicine. Intensive Care Medicine, 47(2), 147-149. 15.Prevedello, L. M., Halabi, S. S., Shih, G., Wu, C. C., Kohli, M. D., Chokshi, F. H. and Flanders, A. E. (2019). Challenges related to artificial intelligence research in medical imaging and the importance of image analysis competitions. Radiology: Artificial Intelligence, 1(1), e180031. 16.Han, Z., Jian, M. and Wang, G. G. (2022). ConvUNeXt: An efficient convolution neural network for medical image segmentation. Knowledge-Based Systems, 253, 109512. 17.Hosny, A., Parmar, C., Quackenbush, J., Schwartz, L. H. and Aerts, H. J. (2018). Artificial intelligence in radiology. Nature Reviews Cancer, 18(8), 500-510. 18.Sunija, A. P., Varun P. Gopi, and Palanisamy, P. (2022). Redundancy reduced depthwise separable convolution for glaucoma classification using OCT images. Biomedical Signal Processing and Control, 71, 103192. 19.Khan, Z. Y. and Zhendong, N. (2021). CNN with depthwise separable convolutions and combined kernels for rating prediction. Expert Systems with Applications, 170, 114528. 20.Sinha, D. and El-Sharkawy, M. (2019). Thin mobilenet: An enhanced mobilenet architecture. 2019 IEEE 10th annual ubiquitous computing, electronics & mobile communication conference (UEMCON). IEEE.
Özet (Çeviri)
Covid 19 disease causes more than one million deaths worldwide each year. Covid 19 diseases are some of the most common medical conditions in the world. Current clinical technologies produce thousands of images, making it impossible for a physician to accurately evaluate them all. A new coronavirus disease (COVID-19) has been causing major lung damage and respiratory problems since December 2019. On the other hand, pneumonia, a type of lung disease, can be caused by the causative COVID-19 virus or another viral or bacterial infection. The prevention, control and treatment of these diseases, as well as the promotion of respiratory health, should be a high priority in global health decision-making. Also, human interpretation of medical images tends to be inaccurate and fails to reveal all data and imaging information. The primary aim of this thesis is to apply deep learning techniques to automatic screening for Covid 19 disease from digital chest X-ray images. The framework for machine learning-based methods mostly consists of the following steps: preprocessing, segmentation, feature extraction and classification. Chest X-ray images are preprocessed and segmented to suppress unwanted distortions and enhance certain image features that are important for downstream processing. Then, using deep learning, relevant features used to classify chest X-ray images are extracted. Finally, the performance of the classifiers has been measured and compared. In this research, we performed a thorough examination of two critical datasets, Covid19-dataset and Chest X-ray (Covid-19 & Pneumonia) dataset, in order to construct machine learning models for COVID-19 identification. Our findings show that dataset quality and complexity have a considerable impact on model performance. Our investigations showed that DenseNet achieved the greatest testing accuracy of 98.04% for Covid19-dataset. This dataset provides a difficult environment for model building, underlining the importance of robust and adaptive algorithms in real-world healthcare applications. Chest X-ray (Covid-19 & Pneumonia) dataset, on the other hand, was built with a simpler scenario and demonstrated flawless training accuracy across all models, with DenseNet obtaining testing accuracy of 95.80%. Results of Chest X-ray (Covid-19 & Pneumonia) dataset have the potential for good accuracy but its simplicity may not adequately represent the complexities of real-world clinical settings. Deep learning algorithms used for Covid 19 disease prediction are supervised learning with high prediction rate. In this thesis, a new Approach is applied for Covid 19 disease prediction using DenseNet and MobileNet based Chest X-Ray Images. The research done in this thesis will enable incredibly rapid diagnosis of clinical scans that radiologists and physicians can use in routine clinical practice. However, estimating spondylolisthesis from X-ray images is more difficult due to the different modalities in the image dataset. This thesis outlines three models that can actually be helpful in detecting Covid 19 disease in the worker. The input image is subjected to several convolution layers. ReLU activation function is used in all convolutional layers. Experiments were made by changing the hyper parameters of the proposed CNN architecture and the proposed models MobileNet and DenseNet performed well with very good accuracy and precision.
Benzer Tezler
- Prediction of COVID-19 using recurrent neural networks
Yenilenen sinir ağları kullanarak COVID-19 vakalarının tahmini
BÜŞRA DEMİRBAŞ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BAHA ŞEN
- X-ray görüntüleri ile derin öğrenme teknikleri kullanılarak COVID-19 tespiti
COVID-19 detection using deep learning techniques with X-ray images
SABAH BASHIR SALEM RASHED
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASEMİN GÜLTEPE
- Beden kitle indeksi yerine beden şekil indeksi ve bel çevresi kullanımının COVID-19 prognozunu öngörmedeki değeri
The value of using a boby shape index and waist circuit instead of body mass index in prediction of COVID-19 prognosis
BERNA BULUT ARCAGÖK
Tıpta Uzmanlık
Türkçe
2022
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF. DR. SİBEL ARINÇ
- COVID-19 hastalığında klinik bulguların toraks Bilgisayarlı Tomografi (BT) bulguları ile korelasyonu
Correlation of clinical findings with chest computed tomography (CT) findings in COVID-19 disease
TOGHRUL MAMMADOV
Tıpta Uzmanlık
Türkçe
2021
Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-CerrahpaşaRadyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BORA KORKMAZER
- Konvolüsyonel sinir ağları kullanılarak COVID-19 ve pulmonerevresinin tespiti
Detection of COVID-19 and its pulmonary stage using convolutional neural networks
NEDİM MUZOĞLU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR SIDDIK BİNBOĞA YARMAN