Bilgisayarlı Göğüs Tomografisi Kullanılarak Bulanık Sınıflandırıcılarla COVID-19 Vakalarının Tespiti

Abstract

Yeni koronavirüs salgını (COVID-19), ilk olarak Aralık 2019'da Çin'in Wuhan şehrinde ortaya çıktığından beri hızla yayılmakta ve dünya çapında pandemiye neden olmaktadır. Pozitif vakaların erken teşhisi, COVID-19 tespiti için hızlı ve doğru yanıtlar veren tanı yöntemlerinin gelişmesine yol açan salgının daha da yayılmasını önlemede önemli bir rol oynar. Önceki çalışmalar, göğüs bilgisayarlı tomografisinin (BT) COVID-19 vakalarının erken taranması ve teşhisi için gerekli bir araç olduğunu doğrulamıştır. İncelemeler sonucu COVID-19 hastalığına yakalanmış bir insanın akciğer BT taramalarında buzlu cam opasitesi adı verilen, renk ve doku değişikliğine sebep olan bir radyolojik bulgu bulunmuştur. Uzun saatler çalışan radyologların dikkatsizliği ve bulguların farklı hastalıklarla karıştırılmasıyla sonuçlanan yanlış tanı nedeniyle radyologlara yardımcı olan otomatik bir sisteme ihtiyaç doğmaktadır. Bu çalışmada, 3D BT kesitleri kullanılarak COVID-19 tespiti için bulanık sınıflandırmaya dayalı yeni bir yaklaşım sunuyoruz. Önerilen yaklaşımda COVID ve Normal olmak üzere iki sınıftan oluşan hastaların 3D BT görüntülerinin çarpıklık, basıklık ve ortalama istatistiksel özellikleri hesaplanır ve her iki sınıf için değer aralıkları belirlenir. Hesaplanan üç istatistiksel özellik ve değer aralıkları geliştirilen bulanık mantık sınıflandırıcısında üyelik fonksiyonu olarak kullanılır. Uygun üyelik fonksiyonları ve kural tabanıyla ile geliştirilen bulanık sınıflandırıcı 3D BT taramalarını sınıflandırarak çıkışa verir. Bu bulanık sınıflandırıcı sistem geliştirilen arayüz ile birleştirerek radyologlara yardımcı bir sistem tasarlanmıştır. Önerilen yaklaşım, kullanıcı dostu bu arayüz altında COVID ve Normal (ikili sınıflandırma) açısından hızlı ve doğru teşhis sağlamaktadır. Deneysel değerlendirmeler, yaklaşımımızın radyologların ilk taramalarını doğrulaması ve erken tanı, izolasyon ve tedaviyi iyileştirmesi için büyük bir potansiyele sahip olduğunu ve bu da enfeksiyonun önlenmesine ve salgının kontrolüne katkıda bulunduğunu göstermektedir.

Keywords

• COVID-19
• bulanık mantık sınıflandırıcı
• BT görüntüleri
• buzlu cam opasitesi
• istatistiksel özellikler

Detection of COVID-19 Cases with Fuzzy Classifiers Using Chest Computed Tomography

Abstract

The novel coronavirus 2019 (COVID-19) is still spreading rapidly since it first appeared in Wuhan city of China in December 2019, resulting in a worldwide pandemic. Early detection of positive cases plays a key role in preventing the further spread of the epidemic which leads to the development of diagnostic methods that give rapid and accurate responses for the detection of COVID-19. Previous studies confirmed that chest computed tomography (CT) is an indispensable tool for early screening and diagnosing of COVID-19 cases. As a result of examinations on CT scans, a radiological finding that is called ground-glass opacity, causing color, and texture change, was found in the lung of a person with COVID-19. Due to the carelessness of radiologists who work long hours and the misdiagnosis resulting in confusion of the findings with different diseases, an automatic system that helps radiologists is needed. In this paper, we present a new approach based on fuzzy classification for the detection of COVID-19 using 3D CT volumes. In the proposed approach, the skewness, kurtosis, and average statistical features of 3D CT images of patients consisting of two classes, COVID and Normal, are calculated and the value ranges are determined for both classes. Three statistical features and value ranges are used as membership functions in the development of fuzzy logic classifier. The proposed approach provides rapid and accurate diagnostics in terms of COVID vs. Normal (binary classification) under a user-friendly interface. Experimental evaluations demonstrate that our approach has great potential for radiologists to validate their initial screening and improve early diagnosis, isolation, and treatment, which contributes to infection prevention and control of the epidemic.

Keywords

• COVID-19
• fuzzy classification
• CT images
• ground-glass opacity
• statistical features

References

1. Ai, T., Yang, Z., Hou, H., Zhan, C., Chen, C., Lv, W., . . . Xia, L. (2020). Correlation of chest CT and RT-PCR testing for coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases. Radiology, 296(2), E32-E40.
2. Anand, M. S., & Tyagi, B. (2012). Design and implementation of fuzzy controller on FPGA. International Journal of Intelligent Systems and Applications, 4(10), 35-42.
3. Barro, S., & Marín, R. (2001). Fuzzy logic in medicine (Vol. 83): Springer Science & Business Media.
4. Barstugan, M., Ozkaya, U., & Ozturk, S. (2020). Coronavirus (covid-19) classification using ct images by machine learning methods. arXiv preprint arXiv:2003.09424.
5. Carpenter, C. R., Mudd, P. A., West, C. P., Wilber, E., & Wilber, S. T. (2020). Diagnosing COVID‐19 in the emergency department: a scoping review of clinical examinations, laboratory tests, imaging accuracy, and biases. Academic Emergency Medicine, 27(8), 653-670.
6. Helmy, T., Al-Jamimi, H., Ahmed, B., & Loqman, H. (2013). Fuzzy logic–based scheme for load balancing in grid services. Journal of Software Engineering and Applications, 5(12), 149.
7. Kamal, N. A., & Ibrahim, A. M. (2018). Conventional, intelligent, and fractional-order control method for maximum power point tracking of a photovoltaic system: a review. Fractional Order Systems, 603-671.
8. Kamiya, A., Murayama, S., Kamiya, H., Yamashiro, T., Oshiro, Y., & Tanaka, N. (2014). Kurtosis and skewness assessments of solid lung nodule density histograms: differentiating malignant from benign nodules on CT. Japanese journal of radiology, 32(1), 14-21.

9. Kuruvilla, J., & Gunavathi, K. (2014). Lung cancer classification using neural networks for CT images. Computer methods and programs in biomedicine, 113(1), 202-209.
10. Kuruvilla, J., & Gunavathi, K. (2015). Lung cancer classification using fuzzy logic for CT images. International Journal of Medical Engineering and Informatics, 7(3), 233-249.
11. Mercan, Ö. B., & Kılıç, V. (2020). Fuzzy classifier based colorimetric quantification using a smartphone. Paper presented at the International Conference on Intelligent and Fuzzy Systems.
12. ÖKÇÜN, S., KURNAZ, M., KOÇKAYA, G., Adile, A., SENER, O., & TECİRLİ, G. COVID-19 TANI YÖNTEMLERİNE BAKIŞ: HIZLI SİSTEMATİK İNCELEME. Eurasian Journal of Health Technology Assessment, 4(2), 10-35.
13. Samuel, C. C., Saravanan, V., & Devi, M. V. (2007). Lung nodule diagnosis from CT images using fuzzy logic. Paper presented at the International Conference on Computational Intelligence and Multimedia Applications (ICCIMA 2007).
14. Tiryaki, A. E., & Kazan, R. (2007). Bulaşık makinesinin bulanık mantık ile modellenmesi. Mühendis ve Makine, 48(565), 3-8.
15. Wu, Y.-H., Gao, S.-H., Mei, J., Xu, J., Fan, D.-P., Zhang, R.-G., & Cheng, M.-M. (2021). Jcs: An explainable covid-19 diagnosis system by joint classification and segmentation. IEEE Transactions on Image Processing, 30, 3113-3126.