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

Abstract

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 koronavirüs hastalarını 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 mustarip olduğu vurgulanmıştır. Son araştırmalar göstermiştir ki, göğüs Bilgisayarlı Tomografi (BT) taraması görüntüleri, koronavirüs 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.

Keywords

• Koronavirüs (Covid-19)
• Makine öğrenmesi
• Derin öğrenme
• Evrişimli Sinir Ağı
• Göğüs BT görüntüleri

References

1. [1] ”Coronavirus Update” [Online] Erişim: https://www.worldometers.info/coronavirus/, 17.10.2020.
2. [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. [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. [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. [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. [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. [7] Butt, C., Gill, J., Chun, D., & Babu, B. A. (2020). Deep learning system to screen coronavirus disease 2019 pneumonia. Applied Intelligence, 1.
8. [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. [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. [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. [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. [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. [13] Yang, X. J., Gao, F., & Ju, Y. (2020). General fractional derivatives with applications in viscoelasticity. Academic Press.
14. [14] “SARS-COV-2 Ct-Scan Dataset.” Eduardo S., Plamen A., [Online] Erişim: Kaggle, doi: 10.34740/KAGGLE/DSV/1100240, 17.10.2020.
15. [15] Pal, M. (2005). Random forest classifier for remote sensing classification. International journal of remote sensing, 26(1), 217-222.
16. [16] "Google Colab" [Online] Erişim: https://colab.research.google.com/, 17-Ekim-2020.
17. [17] 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.