Derin Öğrenme ile Göğüs Röntgeni Görüntülerinden COVID-19 ve Viral Pnömoni Tespiti

Abstract

Günümüz şartlarında her ne kadar pandemi etkilerini kaybetmiş ve bitme sürecinde olsa da, COVID-19 halen etkilerini insanlar üzerinde hafif olarak göstermektedir. Yapay Zeka ve görüntü işleme teknolojilerindeki gelişmelerle birlikte, bu tür virüslerin erken aşamalarda doğru bir şekilde tespit edilmesi, hem doğru tedavinin uygulanarak hastalığın iyileşme sürecine hızlı bir şekilde yardımcı olacak hem de sağlık sistemlerinin üzerindeki yükü hafifletmiş olacaktır. Bu çalışmada, göğüs röntgeni görüntülerinden, COVID-19 ve viral pnömoni hastalıklarını ayırt etmeye çalışan, yüksek doğruluklu ve güvenilir bir model oluşturulmaya çalışılmıştır. Bu amaçla, derin öğrenme algoritmalarından olan Evrişimli Sinir Ağlarının AlexNet ve GoogleNet özel mimarilerinin, doğrudan orijinal halleri ve transfer öğrenmeyle geliştirilmiş halleri uygulanarak, geniş kapsamlı bir modelleme çalışması yapılmıştır. Modelleme sürecinde, kullanılan veri seti (COVID-19 Radiography Database) popüler bir veri seti olup, 3 sınıflı ve her sınıfta farklı sayıda örnek bulunduran dengesiz bir veri setidir. Bu veri setine, veri azaltma ve arttıma yöntemleri uygulanarak, her sınıfta eşit sayıda örnek içeren dengeli 2 yeni veri seti oluşturulmuştur. Orijinal veri seti ve yeni oluşturulan veri setleri, 80-20 oranında eğitim ve test veri setine bölünerek ve aynı zamanda 3, 5 ve 10 kez çapraz doğrulamaya göre bölünerek, model performansları ölçülmüştür ve en iyi performansa sahip model bulunmaya çalışılmıştır. Sonuç olarak, en iyi model, veri arttırma yöntemiyle dengeli hale getirilmiş veri setinin, 10 kez çapraz doğrulamaya göre bölünerek, transfer öğrenme ile geliştirilmiş AlexNet mimarisinin uygulandığı model olarak, % 99.90 doğruluk başarısı ile bulunmuştur.