Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti

Erdal ÖZBAY, (Fırat Üniversitesi, Bilgisayar Mühendisliği Bölümü, Elazığ, Türkiye)
Feyza ALTUNBEY ÖZBAY (Fırat Üniversitesi, Yazılım Mühendisliği Bölümü, Elazığ, Türkiye)
Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi
16 4
Yıl: 2021 Cilt: 12 Sayı: 2 Sayfa Aralığı: 211 - 220 Metin Dili: Türkçe DOI: 10.24012/dumf.812810 İndeks Tarihi: 10-01-2022

Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti

Öz:
İlk olarak Çin ülkesinin Wuhan eyaletinde, Aralık 2019 tarihinde görülen ve oldukça bulaşıcı bir hastalık olan yeni tip Koronavirüs (Covid-19), sadece birkaç ay içerisinde tüm dünyaya yayılmış ve bir pandemi haline gelmiştir. Covid-19, dünya ekonomik yapısını, insanların dini, siyasi, sosyal yaşamını, halk sağlığı yapısını, insanların günlük yaşam yapısını değiştirmiş ve milyonlarca insanı işsiz bırakmıştır. Bu salgınla mücadele etmenin öncelikli yolu, enfekte olan kişinin mümkün olan en kısa sürede teşhis edilmesi ve onun sağlıklı bireylerden uzaklaştırılmasıdır. Şu anda, dünya çapında Covid-19hastalarını tespit etmek için Ters Transkripsiyon-Polimeraz Zincir Reaksiyonu (TT-PZR) kullanılmaktadır. Ancak Dünya Sağlık Örgütü’nce (DSÖ), TT-PZR’nin erken evre vakalarının tespitinde düşük duyarlılık ve düşük özgüllükten muzdarip olduğu vurgulanmıştır. Son araştırmalar göstermiştir ki, göğüs Bilgisayarlı Tomografi (BT) taraması görüntüleri, Covid-19 vakalarını belirlemede yararlı bir rol oynamaktadır. Bu çalışmada, Covid-19 vakalarının sınıflandırma sonuçlarına dayalı tahmin modeli için son teknolojik gelişmelere uygun birçok sınıflandırma algoritmaları ile birlikte Evrişimli Sinir Ağı (ESA) performansları karşılaştırılmıştır. Sonuç, önerilen ESA modelinin, diğer gelişmiş sınıflandırma algoritmalarından daha iyi performans gösterdiği ve %98.1 doğruluk elde ettiği vurgulanmıştır.
Anahtar Kelime:

Covid-19 Detection from CT images with Deep Learning and Classification Approaches

Öz:
The new type of Coronavirus (Covid-19), which was first seen in Wuhan province of the Chinese country in December 2019 and was a highly contagious disease, spread all over the world in just a few months and became a pandemic. Covid-19 has changed the world economic structure, people's religious, political, social life, public health structure, people's daily life structure and left millions of people unemployed. The primary way to combat this epidemic is to diagnose the infected person as soon as possible and remove him from healthy individuals. Currently, Reverse Transcription-Polymerase Chain Reaction (RT-PCR) is used to detect Covid-19 patients worldwide. However, it has been emphasized by the World Health Organization (WHO) that RT-PCR suffers from low sensitivity and low specificity in the detection of early stage cases. Recent research has shown that chest Computed Tomography (CT) scan images play a useful role in identifying Covid-19 cases. In this study, Convolutional Neural Network (CNN) performances were compared with many classification algorithms suitable for the latest technological developments for the prediction model based on the classification results of Covid-19 cases. As a result, it was emphasized that the proposed CNN model performs better than other advanced classification algorithms and achieves 98.1% accuracy.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] ”Coronavirus Update” [Online] Erişim: https://www.worldometers.info/coronavirus/, 17.10.2020.
  • [2] Bleve, G., Rizzotti, L., Dellaglio, F., Torriani, S., (2003). Development of reverse transcription (RT)-PCR and real-time RT-PCR assays for rapid detection and quantification of viable yeasts and molds contaminating yogurts and pasteurized food products. Applied and Environmental Microbiology, 69, 7, 4116-4122.
  • [3] Long, C., Xu, H., Shen, Q., Zhang, X., Fan, B., Wang, C., Li, H., (2020). Diagnosis of the Coronavirus disease (COVID-19): rRT-PCR or CT?. European journal of radiology, 108961.
  • [4] Dong, D., Tang, Z., Wang, S., Hui, H., Gong, L., Lu, Y., Jin, R., (2020). The role of imaging in the detection and management of COVID-19: a review. IEEE reviews in biomedical engineering.
  • [5] Kang, H., Xia, L., Yan, F., Wan, Z., Shi, F., Yuan, H., Shen, D., (2020). Diagnosis of coronavirus disease 2019 (covid-19) with structured latent multi-view representation learning. IEEE transactions on medical imaging.
  • [6] Li, L., Qin, L., Xu, Z., Yin, Y., Wang, X., Kong, B., Cao, K., (2020). Artificial intelligence distinguishes COVID-19 from community acquired pneumonia on chest CT. Radiology.
  • [7] Butt, C., Gill, J., Chun, D., Babu, B. A., (2020). Deep learning system to screen coronavirus disease 2019 pneumonia. Applied Intelligence, 1.
  • [8] Ardakani, A. A., Kanafi, A. R., Acharya, U. R., Khadem, N., Mohammadi, A., (2020). Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks. Computers in Biology and Medicine, 103795
  • [9] Bai, H. X., Wang, R., Xiong, Z., Hsieh, B., Chang, K., Halsey, K., Mei, J., (2020). AI augmentation of radiologist performance in distinguishing COVID-19 from pneumonia of other etiology on chest CT. Radiology, 201491.
  • [10] Shi, F., Xia, L., Shan, F., Wu, D., Wei, Y., Yuan, H., Shen, D., (2020). Large-scale screening of covid-19 from community acquired pneumonia using infection size-aware classification. arXiv preprint arXiv:2003.09860.
  • [11] Ozkaya, U., Ozturk, S., Barstugan, M., (2020). Coronavirus (COVID-19) Classification using Deep Features Fusion and Ranking Technique. arXiv preprint arXiv:2004.03698.
  • [12] Alom, M. Z., Rahman, M. M., Nasrin, M. S., Taha, T. M., Asari, V. K., (2020). COVID_MTNet: COVID-19 Detection with Multi-Task Deep Learning Approaches. arXiv preprint arXiv:2004.03747.
  • [13] Yang, X. J., Gao, F., Ju, Y., (2020). General fractional derivatives with applications in viscoelasticity. Academic Press.
  • [14] “SARS-COV-2 Ct-Scan Dataset.” Eduardo S., Plamen A., [Online] Erişim: Kaggle, doi: 10.34740/KAGGLE/DSV/1100240, 17.10.2020.
  • [15] Pal, M., (2005). Random forest classifier for remote sensing classification. International journal of remote sensing, 26, 1, 217-222.
  • [16] Özbay, E., Çinar, A., (2019). A Comparative Study of Object Classification Methods Using 3D Zernike Moment on 3D Point Clouds. Traitement du Signal, 36, 6, 549-555.
  • [17] "Google Colab" [Online] Erişim: https://colab.research.google.com/, 17.10.2020.
APA Özbay E, Altunbey Özbay F (2021). Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. , 211 - 220. 10.24012/dumf.812810
Chicago Özbay Erdal,Altunbey Özbay Feyza Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. (2021): 211 - 220. 10.24012/dumf.812810
MLA Özbay Erdal,Altunbey Özbay Feyza Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. , 2021, ss.211 - 220. 10.24012/dumf.812810
AMA Özbay E,Altunbey Özbay F Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. . 2021; 211 - 220. 10.24012/dumf.812810
Vancouver Özbay E,Altunbey Özbay F Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. . 2021; 211 - 220. 10.24012/dumf.812810
IEEE Özbay E,Altunbey Özbay F "Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti." , ss.211 - 220, 2021. 10.24012/dumf.812810
ISNAD Özbay, Erdal - Altunbey Özbay, Feyza. "Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti". (2021), 211-220. https://doi.org/10.24012/dumf.812810
APA Özbay E, Altunbey Özbay F (2021). Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(2), 211 - 220. 10.24012/dumf.812810
Chicago Özbay Erdal,Altunbey Özbay Feyza Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 12, no.2 (2021): 211 - 220. 10.24012/dumf.812810
MLA Özbay Erdal,Altunbey Özbay Feyza Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, vol.12, no.2, 2021, ss.211 - 220. 10.24012/dumf.812810
AMA Özbay E,Altunbey Özbay F Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2021; 12(2): 211 - 220. 10.24012/dumf.812810
Vancouver Özbay E,Altunbey Özbay F Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi. 2021; 12(2): 211 - 220. 10.24012/dumf.812810
IEEE Özbay E,Altunbey Özbay F "Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti." Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12, ss.211 - 220, 2021. 10.24012/dumf.812810
ISNAD Özbay, Erdal - Altunbey Özbay, Feyza. "Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti". Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi 12/2 (2021), 211-220. https://doi.org/10.24012/dumf.812810
Sayfa Oluşturulma Tarihi
07-05-2024 11:59

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları