Zatürre Hastalığının Derin Öğrenme Modeli ile Tespiti

Öz

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.

Anahtar Kelimeler

• ESA,Derin öğrenme,Görüntü işleme,Biyomedikal,Zatürre hastalığı

Detection of Pneumonia with Deep Learning Model

Öz

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.

Anahtar Kelimeler

• CNN,Deep learning,Image processing,Biomedical,Pneumonia disease

Kaynakça

1. J. Zhang, Y. Xia, Y. Xie, M. Fulham, and D. Feng, “Classification of Medical Images in the Biomedical Literature by Jointly Using Deep and Handcrafted Visual Features,” IEEE J. Biomed. Heal. Informatics, vol. 2194, no. 2, pp. 1–10, 2017.
2. S. Koitka and C. M. Friedrich, “Traditional feature engineering and deep learning approaches at medical classification task of imageCLEF 2016,” CEUR Workshop Proc., vol. 1609, pp. 304–317, 2016.
3. D. Ravi, C. Wong, F. Deligianni, M. Berthelot, J. Andreu-Perez, B. Lo, and G. Z. Yang, “Deep Learning for Health Informatics,” IEEE J. Biomed. Heal. Informatics, vol. 21, no. 1, pp. 4–21, 2017.
4. M. Bakator and D. Radosav, “Deep Learning and Medical Diagnosis: A Review of Literature,” Multimodal Technol. Interact., vol. 2, no. 3, p. 47, 2018.
5. McLuckie, A. (editor), Respiratory disease and its management., New York, Springer, p. 51, ISBN 978-1-84882-094-4, 2009.
6. Osler, William (1901). Principles and Practice of Medicine, 4th Edition. New York: D. Appleton and Company. s. 108.
7. Jeffrey C. Pommerville (2010) . Alcamo' s Fundamentals of Microbiology (9. bas.). Sudbury MA: Jones & Bartlett. s. 323. ISBN 0-7637-6258-X.
8. “Chest X-Ray Images (Pneumonia) | Kaggle .” [Online]. Available: https ://www.kaggle.com/ paultimothymooney /chest-xray-pneumonia/data. [Accessed: 25-Nov-2018].

9. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Adv. Neural Inf. Process. Syst., pp. 1–9, 2012.
10. J. Nagi and F. Ducatelle, “Max - pooling convolutional neural networks for vision-based hand gesture recognition,” 2011 IEEE Int. Conf. Signal Image Process. Appl., pp. 342–347, 2011.
11. M. D. Zeiler and R. Fergus, “ Visualizing and Understanding Convolutional Networks arXiv:1311.2901v3 [cs.CV] 28 Nov 2013,” Comput. Vision–ECCV 2014, vol. 8689, pp. 818–833, 2014.
12. S. Gu, L. Ding, Y. Yang, and X. Chen, “A New Deep Learning Method Based on AlexNet Model and SSD Model for Tennis Ball Recognition,” pp. 159–164, 2017.
13. C. Szegedy et al., “Going deeper with convolutions,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 07–12–June, pp. 1–9, 2015.
14. J. Shlens, “Shlens2006_PCATutorial,” Measurement, pp. 1–13, 2005.
15. Er, O., Yumusak, N., Temurtas, F., “Diagnosis of chest diseases using artificial immune system”, Expert Systems with Applications, 39., 1862–1868, 2012.
16. Global Strategy for the Diagnosis, Management, and Prevention of Choronic Obstructive Pulmonary Disease, Global Initiative For Chronic Obstructive Lung Disease (GOLD) Inc., 2015.
17. “Pneumonia – Diagnosis - using- XRays” [Online]. Available:https://github.com/fr407041/ Pneumonia-Diagnosis-using- XRays/ . [Accessed: 26-Nov-2018].