COVID-19 veri seti kullanarak ön-eğitilmiş modellerin sınıflandırma performanslarının karşılaştırılması
Öz
COVID-19, 2019 yılında Çin’in Wuhan kentinde ortaya çıkan ve SARS-CoV-2 virüslerinin neden olduğu bir salgındır. Bu salgın, virüsün yüksek bulaşıcılığa sahip olmasından dolayı hızlı bir şekilde tüm dünyaya yayılmıştır. SARS-CoV-2 virüslerinin gösterdiği semptomlar, diğer hastalıklarla benzerlik gösterebilmekte ve bu virüse maruz kalanların hastalıkları viral pnömoni ile karıştırılabilmektedir. Bundan dolayı hastalığın teşhisinde, doktorlara ve araştırmacılara yardımcı olmak için bilgisayar destekli teşhis sistemlerinden faydalanılmaktadır. Bu çalışmada, 3 sınıf içeren COVID-19 veri seti, öğrenme aktarımı yöntemi kullanılarak sınıflandırılmıştır. Veri setinin %80’i eğitim, %20’si test verisi olarak ayrılmıştır. Ön-eğitilmiş modeller kullanılarak oluşturulan sınıflandırıcılar eğitilmiş ve elde edilen modellerin test verisi için doğruluk oranları InceptionV3, Xception, InceptionResNetV2, VGG19, ResNet152V2, DenseNet201 tabanlı modeller için sırasıyla %98.6, %98.7, %99.3, %97.8, %98.7 ve %98.0 olarak hesaplanmıştır. Bu sonuçlar, ön-eğitilmiş modeller kullanılarak oluşturulan sınıflandırıcıların, COVID-19 salgınında teşhis aşamasında doktorlara yardımcı olabileceğini göstermektedir.
Anahtar Kelimeler
sınıflandırma, covid-19, makine öğrenmesi, öğrenme aktarımı, ön-eğitilmiş modeller, pre-trained models
Kaynakça
- Rochmawati, N., Hidayati, H. B., Yamasari, Y., Yustanti, W., Rakhmawati, L., Tjahyaningtijas H. P. A. ve Anistyasari Y. (2020). Covid symptom severity using decision tree. 2020 Third International Conference on Vocational Education and Electrical Engineering (ICVEE), 1-5.
- Mishra, M., Parashar, V. ve Shimpi, R. (2020). Development and evaluation of an AI System for early detection of Covid-19 pneumonia using X-ray (Student Consortium). 2020 IEEE Sixth International Conference on Multimedia Big Data (BigMM), 292-296.
- Tabik S., Gómez-Ríos, A., Martín-Rodríguez, J. L., Sevillano-García, I., Rey-Area, M., Charte, D., Guirado, E., Suárez, J. L., Luengo, J., Valero-González, M. A., García-Villanova, P., Olmedo-Sánchez, E. & Herrera, F. (2020). COVIDGR dataset and COVID-SDNet methodology for predicting COVID-19 based on chest x-ray images. in IEEE Journal of Biomedical and Health Informatics 2020, 24(12), 3595-3605.
- Wang, X., Deng, X., Fu, Q., Zhou, Q., Feng J., Ma, H., Liu, W. & Zheng, C. (2020) A weakly-supervised framework for covıd-19 classification and lesion localization from chest ct. in IEEE Transactions on Medical Imaging 2020, 39(8), 2615-2625.
- Chowdhury, M. E. H., Rahman, T., Khandakar, A., Mazhar, R., Kadır, M. A., Mahbub Z. B., Islam, K. R., Khan, M. S., Iqbal, A., Emadı, N. A., Reaz, M. B. I. & Islam M. T. (2020). Can AI help in screening viral and COVID-19 pneumonia?. IEEE Access 2020, 8, 32665-132676.
- Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. & Wojna, Z. (2016) Rethinking the inception architecture for computer vision. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.
- Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceed-ings of the IEEE Conference on Computer Vision and Pattern Recognition, 1251-1258.
- Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. (2017). Inception-v4, inception-resnet and the impact of residual connections on learning. Thirty-First AAAI Conference on Artificial Intelligence, 31(1).
- Huang, G., Liu, Z., Maaten, L. v. d., & Weinberger, K. Q. (2017). Densely connected convolutional networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).