Yıl: 2021 Cilt: 36 Sayı: 4 Sayfa Aralığı: 1761 - 1774 Metin Dili: Türkçe DOI: 10.17341/gazimmfd.746883 İndeks Tarihi: 29-07-2022

Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı

Öz:
Covid-19, dünyada salgınlaşarak Dünya Sağlık Örgütü tarafından pandemi olarak tanımlandırılan; insanlar için sonucu ölüme kadar gidebilecek riske sahip virüstür. RT-PCR testi ile Covid-19 tanısının doğrulanması gerekmektedir. Testin sonuçlanması hem uzun zaman almakta hem de yanlış negatif sonuçlar elde edilebilmektedir. Covid-19 tanısı erken ve doğru olursa, hayati risk oranı azalmaktadır. Derin öğrenme, özellikle tıp alanında son derece yüksek doğruluk ve hassasiyet gerektiren çeşitli karmaşık problemleri çözmek için çeşitli uygulamalarda yaygın olarak kullanılmaktadır. Bu çalışmada, akciğer X-Ray görüntülerinden otomatik Covid-19 tanısı, önerilen çok kanallı CNN yöntemi kullanılarak yapılmaktadır. Hasta ve sağlıklı bireylerden elde edilen X-Ray görüntüleri çevrimiçi olarak üç ayrı veri tabanından elde edilmiştir. Sonuçları karşılaştırmak ve önerilen yöntemin verimliliğini ortaya koymak için tekrarlayan derin sinir ağları (SRN) mimarisi de aynı problem için uygulanmıştır. Ayrıca, çalışmanın performansını, doğruluğunu ve verimliliğini ortaya koymak için uygulanan yöntemler için doğruluk, hassasiyet analizi ve işlem sürelerinin ölçümleri yapılmıştır. Önerilen sistem ile PCR testi sonucu beklenmeden kısa sürede Covid-19 tanısı konarak, virüs vücutta etkisini ve hayati riski arttırmadan önlem alınması sağlanmaktadır. Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadır.
Anahtar Kelime: Akciğer X-Ray Önerilen çok kanallı CNN mimarisi Covid-19 Tanı Derin öğrenme Kanal seçimi

Diagnosing COVID -19 from X-Ray images with using multi-channel CNN architecture

Öz:
Covid-19 has been described as a pandemic by the World Health Organization. It has become an epidemic all over the world and has created a risk for people that may lead to death. To diagnose Covid-19, the diagnosis must be confirmed by RT-PCR test. The test takes a long time and false-negative results can be obtained. If the diagnosis of Covid-19 is made early and correct, the ratio of threats to life is reduced. Deep learning has been widely used in a variety of applications to solve a variety of complex problems that require extremely high accuracy and precision, especially in the medical field. In this study, the Covid-19 is diagnosed automatically using a proposed multi-channel CNN method. Patients and healthy individuals' Lung X-ray images datasets were obtained from three separate online databases. Simple recurrent networks (SRN) architecture was also applied for the same problem to compare the results and demonstrate the efficiency of the proposed method. It is to be noted that to reveal the performance, accuracy and efficiency of the study, accuracy and precision analysis and measurements of processing times for the applied methods were performed. With the proposed system Covid-19 is diagnosed in a short time without waiting for the PCR test and precautions are taken before the virus increases its effect on the body and the risk of individuals' life. Differently from the studies in the literature, the multi-channel CNN architecture with five convolution channels is proposed and the channel selection formulas are presented which are used for selecting the most distinctive feature filters among the results produced by these channels.
Anahtar Kelime: Diagnosis

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
5
6
6
  • 1. T.C. Sağlık Bakanlığı Covid-19 Hastalığı, https:// covid19bilgi. saglik. gov.tr /tr/ covid-19-yenikoronavirus-hastaligi-nedir, Erişim tarihi Mayıs 31, 2020.
  • 2. Ardila, D., Kiraly, A.P., Bharadwaj, S., Choi, B., Reicher, J.J., Peng, L., Tse, D., Etemadi, M., Ye, W., Corrado, G., End-To-End Lung Cancer Screeningwith Three-Dimensional Deep Learning On Low-Dose Chest Computed Tomography, Nature Medicine, 25 (6), 954– 961, 2019.
  • 3. Suzuki, K., Overview of Deep Learning in Medical Imaging, Radiological Physics And Technology,10 (3), 257–273, 2017.
  • 4. Coudray, N., Ocampo, P.S., Sakellaropoulos, T., Narula, N., Snuderl, M., David, F., Moreira, A.L., Razavian, N., Tsirigos, A., Classification and Mutation Prediction From Non–Small Cell Lung Cancer Histopathology Images Using Deeplearning, Nature Medicine, 24 (10), 1559–1567, 2018.
  • 5. Esteva, A., Kuprel, B., Novoa, R.A., Ko, J., Swetter, S.M., Blau, H.M., Thrun, S., Dermatologist-Level Classification of Skin Cancer With Deep Neural Networks, Nature, 542 (7639), 115–118, 2017.
  • 6. Ophir, G., Maayan, F.A., Hayit, G., Patrick D.B., Huangqi Z,, Wenbin, J., Bernheim, A., Siegel, E., Rapid AI development Cycle For The Coronavirus (COVID19) Pandemic: Initial Results For Automated Detection & Patient Monitoring Using Deep Learning CT Image Analysis, Radiology, 2020. arXiv:2003.05037v3
  • 7. Shi, F., Xia, L., Shan, F., Wu, D., Wei, Y., Yuan, H., Jiang, H., Gao, Y., Sui, H., Shen, D., Large-scale Screening of Covid-19 From Community Acquired Pneumonia Using Infection Size-Aware Classification, 2020. arXiv:2003.09860v1
  • 8. Franquet, T., Imaging of Pneumonia: Trends and Algorithms, European Respiratory Journal, 18 (1), 196– 208, 2001.
  • 9. [9] Cherian, T., Mulholland, E.K., Carlin, J.B., Ostensen, H., Amin, R., Campo, M., Greenberg, D., Lagos, R., Lucero, M., Madhi, S.A., Standardized Interpretation Of Paediatric Chest Radiographsfor The Diagnosis of Pneumonia in Epidemiological Studies, Bulletin of the World Health Organization, 83, 353–359, 2005.
  • 10. Zhang, J., Xie, Y., Li, Y., Shen, C., Covid-19 Screening on Chest X-ray Images Using Deep Learning Based Anomaly Detection, arXiv:2003.12338v1, 2020.
  • 11. Shan, F., Gao, Y., Wang, J., Shi, W., Shi, N., Han, M., Xue, Z., Shi, Y., Lung Infection Quantification of Covid-19 in CT Images with Deep Learning, 1-19, arXiv:2003.04655, 2020.
  • 12. Xu, X., Jiang, X., Ma, C., Du, P., Li, X., Lv, S., Yu, L., Chen, Y., Su, J., Lang, G., Li, Y., Zhao, H., Xu, K., Ruan, L., Wu, W., Deep Learning System to Screen Coronavirus Disease, Pneumonia, Appied Intelligence, 1-29, 2020. arXiv:2002.09334, 2019
  • 13. Wang, S., Kang, B., Ma, J., Zeng, X., Xiao, M., Guo, J., Cai, M., Yang, J., Li, Y., Meng, X., Xu, B., A Deep Learning Algorithm Using CT Images To Screen For Corona Virus Disease (Covid-19), DOI: 10.1101/2020.02.14.20023028, 2020.
  • 14. Narin, A., Kaya, C., Pamuk, Z., Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks, Computers in Biology and Medicine, arXiv:2003.10849v1, DOI: 10.1016/j.compbiomed.2020.103792, 2020.
  • 15. Xie, X., Li, X., Wan, S., Gong, Y., Mining X-ray Images of SARS Patients, Data Mining: Theory, Methodology, Techniques, and Applications, 282-294, SpringerVerlag, Berlin, Heidelberg, ISBN: 3540325476, 2006.
  • 16. Difference Between X-ray and CT Scan, https://biodifferences.com/difference-between-x-rayand-ct-scan.html, Erişim tarihi Mayıs 31, 2020.
  • 17. Fang, Y., Zhang, H., Xie, J., Lin, M., Ying,L., Pang, P., Ji, W., Sensitivity of chest CT for Covid-19: Comparison to RT-PCR, Radiology, 200432, DOI: 10.1148/radiol.2020200432, 2020.
  • 18. Hamimi, A. MERS-CoV: Middle East Respiratory Syndrome Corona Virus: Can Radiologynbe Of Help? Initial Single Center Experience, The Egyptian Journal of Radiology and Nuclear Medicine, 47 (1), 95-106, 2016.
  • 19. Xie, X., Zhong, Z., Zhao, W., Zheng, C., Wang, F., Liu, J., Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing, Radiology, DOI: https:// pubs. rsna. org/ doi/ 10.1148/ radiol. 2020200343, 2020.
  • 20. Bernheim, A., Mei, X., Huang, M., Chest CT Findings in Coronavirus Disease-19 (Covid-19): Relationship to Duration of Infection, Radiology, DOI: https:// pubs.rsna. org/doi/10.1148/radiol.2020200463. 2020.
  • 21. Kaggle Covid-19 Chest X-Ray, https:// www. kaggle.com/bachrr/covid-chest-xray, Erişim tarihi Mayıs 31, 2020.
  • 22. Kaggle Lung Image Mini Project, https:// www. kaggle. com/hnchinmaya/lung-image-mini-project-covid19- xray, Erişim tarihi Mayıs 31, 2020.
  • 23. Kaggle Chest X-Ray Images, https:// www. kaggle. com/paultimothymooney/chest-xray-pneumonia, Erişim tarihi Mayıs 31, 2020.
  • 24. Yılmaz A., Yapay Zeka, Kodlab Yayınevi, Türkiye, 2017.
  • 25. Yılmaz A., Kaya, U., Derin Öğrenme. Kodlab Yayınevi, Türkiye, 2019.
  • 26. Çelik, A., Arıca, N., Enhancing Face Pose Normalization With Deep Learning, Turkish Journal of Electrical Engineering & Computer Sciences, 27, 3699- 3712, 2019.
  • 27. Yan, Z., Xu, Z., Dai, J., The Big Data Analysis on The Camera-Based Face Image in Surveillance Cameras, Autosoft Journal - Intelligent Automation & Soft Computing, 24 (1), 123-132, 2019.
  • 28. Adem, K., Közkurt, C., Defect Detection of Seals in Multilayer Aseptic Packages Using Deep Learning, Turkish Journal of Electrical Engineering & Computer Sciences, 27, 4220-4230, 2019.
  • 29. Arı A., Hanbay D., Tumor Detection in MR Images of Regional Convolutional Neural Networks, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (3), 1395-1408, 2019.
  • 30. Kaya A., Keçeli S., Can A.B., Examination of Various Classification Strategies in Classification of Lung Nodule Characteristics, Journal of the Faculty of Engineering and Architecture of Gazi University, 34 (2), 709-725, 2019.
  • 31. Doğan, F., Türkoğlu, İ., Derin Öğrenme Modelleri ve Uygulama Alanlarına İlişkin Bir Derleme, DÜMF Mühendislik Dergisi, 10 (2), 409-445, 2019.
  • 32. Yılmaz, A., Shoulder Implant Manufacturer Detection by Using Deep Learning: Proposed Channel Selection Layer, Coatings, 11 (3), 346, 2021.
  • 33. Quek, M., Chin, N., Yusof, Y., Law, C., Tan, S. Pattern Recognition Analysis on Nutritional Profile and Chemical Composition of Edible Bird’s Nest for its Origin and Authentication, International Journal of Food Properties, 21 (1), 1680–1696, 2018.
APA Yılmaz A (2021). Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. , 1761 - 1774. 10.17341/gazimmfd.746883
Chicago Yılmaz Atınç Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. (2021): 1761 - 1774. 10.17341/gazimmfd.746883
MLA Yılmaz Atınç Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. , 2021, ss.1761 - 1774. 10.17341/gazimmfd.746883
AMA Yılmaz A Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. . 2021; 1761 - 1774. 10.17341/gazimmfd.746883
Vancouver Yılmaz A Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. . 2021; 1761 - 1774. 10.17341/gazimmfd.746883
IEEE Yılmaz A "Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı." , ss.1761 - 1774, 2021. 10.17341/gazimmfd.746883
ISNAD Yılmaz, Atınç. "Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı". (2021), 1761-1774. https://doi.org/10.17341/gazimmfd.746883
APA Yılmaz A (2021). Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(4), 1761 - 1774. 10.17341/gazimmfd.746883
Chicago Yılmaz Atınç Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36, no.4 (2021): 1761 - 1774. 10.17341/gazimmfd.746883
MLA Yılmaz Atınç Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, vol.36, no.4, 2021, ss.1761 - 1774. 10.17341/gazimmfd.746883
AMA Yılmaz A Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(4): 1761 - 1774. 10.17341/gazimmfd.746883
Vancouver Yılmaz A Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi. 2021; 36(4): 1761 - 1774. 10.17341/gazimmfd.746883
IEEE Yılmaz A "Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı." Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36, ss.1761 - 1774, 2021. 10.17341/gazimmfd.746883
ISNAD Yılmaz, Atınç. "Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı". Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi 36/4 (2021), 1761-1774. https://doi.org/10.17341/gazimmfd.746883