Performance Analysis of Combination of CNN-based Models with Adaboost Algorithm to Diagnose Covid-19 Disease

Abstract

At the end of 2019, Covid-19, which is a new form of Coronavirus, has spread widely all over the world. With the increasing daily cases of this disease, fast, reliable, and automatic detection systems have been more crucial. Therefore, this study proposes a new technique that combines the machine learning algorithm of Adaboost with Convolutional Neural Networks (CNN) to classify Chest X-Ray images. Basic CNN algorithm and pretrained ResNet-152 have been used separately to obtain features of the Adaboost algorithm from Chest X-Ray images. Several learning rates and the number of estimators have been used to compare these two different feature extraction methods on the Adaboost algorithm. These techniques have been applied to the dataset, which contains Chest X-Ray images labeled as Normal, Viral Pneumonia, and Covid-19. Since the used dataset is unbalanced between classes SMOTE method has been used to make the number of images of classes balance. This study shows that proposed CNN as a feature extractor on the Adaboost algorithm(learning rate of 0.1 and 25 estimators) provides higher classification performance with 94.5% accuracy, 93% precision, 94% recall, and 93% F1-score.2019 yılı sonunda yeni bir Coronavirüs formu olan Covid-19 tüm dünyada hızlı bir şekilde yayıldı. Bu hastalığın artan günlük vakaları ile hızlı, güvenilir ve otomatik tespit sistemlerine olan ihtiyaç arttı. Bu nedenle, bu çalışma, göğüs kafesi röntgen görüntülerini sınıflandırmak için makine öğrenmesi algoritmalarından biri olan Adaboost algoritması ile Evrişimsel Sinir Ağları’nı (CNN) birleştiren yeni bir teknik önermektedir. Adaboost algoritmasının eğitim için ihtiyaç duyduğu özellikler temel CNN algoritması ve önceden eğitilmiş ResNet-152 ile göğüs kafesi röntgen görüntülerinden ayrı ayrı elde edilmiştir. Adaboost algoritmasında bu iki farklı özellik çıkarma yöntemini karşılaştırmak için farklı öğrenme oranı değerleri ve tahmin sayısı kullanılmıştır. Bu teknikler, Normal, Viral Zatürre ve Covid-19 olarak etiketlenmiş göğüs röntgeni görüntülerini içeren veri setinde uygulanmıştır. Kullanılan veri seti sınıflar arasında dengesiz olduğundan, sınıfların görüntü sayısını dengelemek için SMOTE yöntemi kullanılmıştır. Bu çalışma, Adaboost algoritmasında otomatik özellik çıkarıcı olarak kullanılan, önerilen CNN modelin (öğrenme oranı 0.1 ve tahminci sayısı 25) % 94.5 doğruluk,% 93 kesinlik,% 94 duyarlılık ve % 93 F1 skoru değerleri ile daha yüksek sınıflandırma performansı sağladığını göstermektedir.