Zatürre Hastalığı, insanın hayatının herhangi
bir döneminde karşılaşabileceği hastalıklardan biridir. Enfeksiyon hastalıklarının yaklaşık %18’ini zatürre hastalığı
oluşturmaktadır. Bu hastalık ilerleyen bazı durumlarda ölüme sebep
olabilmektedir. Tıbbi olarak zatürre teşhisini kesin olarak konulabilmesi için
akciğer röntgen görüntülerinin bir doktor tarafından incelenmesi gereklidir. Bu çalışmada, zatürre hastalığının teşhisi için geliştirilen tanıma
sistemi için erişime açık olan akciğer röntgen görüntülerinden
faydalanılmıştır. Elde edilen imge kümesinde
öznitelik çıkarımı için derin öğrenme modellerinden evrişimsel sini ağı kullanılmıştır.
Hastalığın teşhisi için elde edilen öznitelikler farklı sınıflandırıcılar
kullanılarak başarım karşılaştırmaları yapılmıştır. Karşılaştırma sonucunda
sınıflandırma işleminde kullanılan, destek vektör makineleri ile % 95.8 gibi
bir yüksek başarı oranı elde edilmiştir. Zatürre gibi ölümcül hastalıkların
erken teşhisinde, derin öğrenme modellerinin daha hızlı ve doğru sonuçlar verdiği
bu çalışmada izlenmiştir. Yapılan bu çalışma, evrişimsel sinir ağı ile özellik
çıkarmanın biyomedikal alanındaki mevcut yöntemlere kıyasla zaman ve performans
açısından daha iyi sonuçlar verdiğini sonucuna varılmıştır.
Recently, rapid developments in image processing have gained different
perspective in deep learning models. Deep learning models continue to
contribute to the areas of human health. Pneumonia is one of the diseases that
people may encounter in any period of their lives. Pneumonia accounts for about
18% of infectious diseases. In some cases, this disease can cause death. In
this study, lung x-ray images were used for the diagnosis of pneumonia. The ESA
from deep learning models was used for feature extraction in the resulting
image set. The results of CNN with different classifiers were compared. As a
result of the comparison, a success rate of approximately 95.8% was obtained
with support vector machines. In the early diagnosis of deadly diseases such as
pneumonia, deep learning models were found to be faster and more accurate. This
study has shown that feature extraction with CNN provides better results in
terms of time and performance than current methods in biomedical field.
Primary Language | Turkish |
---|---|
Journal Section | MBD |
Authors | |
Publication Date | March 15, 2019 |
Submission Date | December 17, 2018 |
Published in Issue | Year 2019 Volume: 31 Issue: 1 |