Analysis and Segmentation of X-ray Images of COVID-19 Patients using the k-means Algorithm

Abstract

COVID-19 is a virus from the coronavirus family that can have deadly effects. This virus has affected the whole world since the end of 2019. Early diagnosis and treatment of this virus directly affects its spread. For this reason, many different studies in many different fields are carried out for this purpose. There are many studies with computer aided systems for the detection of the virus of COVID-19. All these works have a common goal; It contributes to the solution of stopping the spread of this virus. This is the main focus of our study. In this direction, studies have been put forward with image processing and machine learning methods. In our study, segmentation of X-ray images and clarification of anomalies on the lungs were performed using the k-means method. Thanks to this segmentation process, an application has been realized that can support physicians in their decisions with the help of X-ray images. Segmentation is the process of separating similar structures on an image into groups. These groups are capable of distinguishing between diseased and healthy regions. The results show that the segmentation process reveals significant results in the detection of disease-induced deterioration on lung images. Particularly, there were significant differences between the lung images of healthy individuals and those who had the disease. In the study, lung X-ray images of 10 healthy and 10 COVID-19 patients were used. The future goal of this study is to use the segmentation results obtained as input in a computer-based study that will automatically detect the disease and to improve the current success. In addition, it is among our future goals to conduct comparative studies with different segmentation methods.

Keywords

• Image Processing
• COVID-19
• Segmentation
• X-ray
• k-Means
• Medical Imaging

Project Number

NKUBAP.06.GA.21.317

k-Ortalamalar Algoritmasını Kullanarak COVID-19 Hastalarının X-ışını Görüntülerinin Analizi ve Bölütlenmesi

Abstract

COVID-19 koronavirüs ailesinden ölümcül etkileri olabilen bir virüstür. Bu virüs 2019 yılı sonlarından bu yana tüm dünyayı etkisi altına almıştır. Bu virüsün erken tanı ve tedavisi yayılımını doğrudan etkilemektedir. Bu nedenle çok farklı alanlarda çok farklı çalışmalar bu amaç için gerçekleştirilmektedir. COVID-19’un virüsünün tespiti için bilgisayar destekli sistemler ile yapılan çok sayıda çalışma bulunmaktadır. Bütün bu çalışmalarında ortak bir hedefi vardır; bu virüsün yayılımını durdurmak, çözümü için katkı sağlamaktadır. Gerçekleştirdiğimiz bu çalışmanın da ana odak noktası budur. Bu doğrultuda görüntü işleme ve makine öğrenmesi yöntemleri ile çalışmalar ortaya konmuştur. Çalışmamızda k-ortalamalar yöntemi ile X-ışını görüntülerinin bölütlenmesi ve akciğerler üzerindeki anomalilerin belirginleştirilmesi işlemi gerçekleştirilmiştir. Bu bölütleme işlemi sayesinde X-ışını görüntüleri yardımıyla hekimlere alacakları kararlarda destek olabilecek bir uygulama gerçekleştirilmiştir. Bölütleme bir görüntü üzerindeki benzer yapıların gruplara ayrılması işlemidir. Bu gruplar hastalıklı ve sağlıklı bölgeleri birbirinden ayırt edebilecek nitelikte olmaktadır. Elde edilen sonuçlar göstermektedir ki bölütleme işlemi akciğer görüntüleri üzerindeki hastalıktan kaynaklı bozulmaların tespitinde anlamlı sonuçlar ortaya koymaktadır. Özellikle sağlıklı bireyle ile hastalık geçiren kişilerin akciğer görüntüleri arasında belirgin farklar ortaya çıkmıştır. Çalışmada 10 sağlıklı ve 10 COVID-19 geçirmiş kişilere ait akciğer X-ışını görüntüsü kullanılmıştır. Bu çalışmanın gelecekteki hedefi elde edilen bölütleme sonuçlarını hastalığın otomatik olarak tespit edilmesini sağlayacak bilgisayar temelli bir çalışmada girdi olarak kullanmak ve mevcut başarıyı yukarılara taşımaktır. Bunun yanı sıra farklı bölütleme yöntemleri ile kıyaslamalı çalışmalar yapmakta gelecek hedeflerimiz arasındadır.

Keywords

• Görüntü İşleme
• COVID-19
• Bölütleme
• X-ışını
• k-Ortalamalar
• Tıbbi Görüntüleme

Supporting Institution

Tekirdağ Namık Kemal Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi

Project Number

NKUBAP.06.GA.21.317

Thanks

Bu çalışma Tekirdağ Namık Kemal Üniversitesi Bilimsel Araştırma Projeleri Koordinasyon Birimi tarafından desteklenmiştir. Proje numarası: NKUBAP.06.GA.21.317

References

1. [1] T. Ai, Z. Yang, H. Hou, C. Zhan, C. Chen, W. Lv, et al., "Correlation of chest CT and RT-PCR testing for coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases," Radiology, vol. 296, pp. E32-E40, 2020.
2. [2] L. Lan, D. Xu, G. Ye, C. Xia, S. Wang, Y. Li, et al., "Positive RT-PCR test results in patients recovered from COVID-19," Jama, vol. 323, pp. 1502-1503, 2020.
3. [3] L. O. Hall, R. Paul, D. B. Goldgof, and G. M. Goldgof, "Finding covid-19 from chest x-rays using deep learning on a small dataset," arXiv preprint arXiv:2004.02060, 2020.
4. [4] J. P. Cohen, P. Morrison, L. Dao, K. Roth, T. Q. Duong, and M. Ghassemi, "Covid-19 image data collection: Prospective predictions are the future," arXiv preprint arXiv:2006.11988, 2020.
5. [5] A. Abbas, M. M. Abdelsamea, and M. M. Gaber, "Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network," arXiv preprint arXiv:2003.13815, 2020.
6. [6] M. Nour, Z. Cömert, and K. Polat, "A novel medical diagnosis model for COVID-19 infection detection based on deep features and Bayesian optimization," Applied Soft Computing, vol. 97, p. 106580, 2020.
7. [7] A. Norouzi, M. S. M. Rahim, A. Altameem, T. Saba, A. E. Rad, A. Rehman, et al., "Medical image segmentation methods, algorithms, and applications," IETE Technical Review, vol. 31, pp. 199-213, 2014.
8. [8] D. L. Pham, C. Xu, and J. L. Prince, "Current methods in medical image segmentation," Annual review of biomedical engineering, vol. 2, pp. 315-337, 2000.

9. [9] N. Sharma and L. M. Aggarwal, "Automated medical image segmentation techniques," Journal of medical physics/Association of Medical Physicists of India, vol. 35, p. 3, 2010.
10. [10] T. Ozturk, M. Talo, E. A. Yildirim, U. B. Baloglu, O. Yildirim, and U. R. Acharya, "Automated detection of COVID-19 cases using deep neural networks with X-ray images," Computers in Biology and Medicine, p. 103792, 2020.
11. [11] X. Wang, Y. Peng, L. Lu, Z. Lu, M. Bagheri, and R. M. Summers, "Chestx-ray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, pp. 2097-2106.
12. [12] A. Likas, N. Vlassis, and J. J. Verbeek, "The global k-means clustering algorithm," Pattern recognition, vol. 36, pp. 451-461, 2003.
13. [13] I. Davidson, "Understanding K-means non-hierarchical clustering," SUNY Albany Technical Report, vol. 2, pp. 2-14, 2002.
14. [14] T. Pang-Ning, M. Steinbach, and V. Kumar, "Introduction to data mining Addison-Wesley," 2005.