Derin Öğrenme Tekniklerini Kullanarak Akciğer X-Ray Görüntülerinden COVID-19 Tespiti

Abstract

COVID-19 salgını tüm dünyada hızla yayılarak küresel bir pandemi haline gelmiştir. Bu salgın, günlük yaşamda hem halk sağlığı hem de küresel ekonomi üzerinde yıkıcı bir etkiye sahip olmuştur. Bu salgının daha fazla yayılmasını önlemek ve etkilenen hastaları hızla tedavi etmek için pozitif vakaları olabildiğince erken tespit etmek çok önemlidir. COVID-19 enfeksiyonunun hızlı bir şekilde ve yüksek doğrulukta teşhisini sağlayan herhangi bir yardımcı araç uzmanlar için faydalıdır. Bu anlamda, X-Ray tomografik görüntüleme COVID-19 teşhisinde kolay erişilebilir alternatif bir araçtır. Radyoloji görüntüleme teknikleri kullanılarak elde edilen son bulgular, bu tür görüntülerin COVID-19 virüsü hakkında çarpıcı bilgiler içerdiğini göstermektedir. Radyolojik görüntülemeyle birlikte gelişmiş yapay zekâ ve makine öğrenmesi tekniklerinin uygulanması, bu hastalığın doğru tespiti için yardımcı olabilir. X-ray görüntüleri şüpheli vakaların erken tespitine yardımcı olabilse de, çeşitli viral ve bakteriyel pnömoni (zatürre) görüntüleri COVID-19 ile benzerdir ve benzer özellikler içermektedir. Dolayısıyla radyologların viral ve bakteriyel pnömoni gibi benzer akciğer hastalıklarını COVID-19’dan ayırt etmesi zordur. Bu bağlamda, COVID-19 semptomlarının viral pnömoniye benzer olması, yanlış tanılara yol açabilmektedir. Bu çalışmada, kurulan farklı modeller ile akciğer X-Ray görüntülerini COVID-19, normal ve viral pnömoni (zatürre) hastalar olarak sınıflandırabilen derin öğrenme tekniklerinin bir karşılaştırması yapılmıştır. Bu çalışmada, 11 farklı derin öğrenme tekniği üzerinde çalışılmıştır. Günümüzde popüler olan evrişimli sinir ağları tabanlı farklı tekniklerin aynı veri kümesi üzerinde deneysel çalışmaları yapılarak her bir tekniğin performans değerlendirmesi yapılmış ve en iyi tahminleme yöntemi belirlenmiştir. Yapılan deneysel çalışmalarda, en yüksek doğruluk değeri %97.17 ile DenseNet121 modeli ile elde edilmiştir.