Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı

Öz

Yeni tip koronavirüs (Covid-19), hem insanlarda hem de hayvanlarda hastalığa sebep olan koronavirüs ailesinin bir üyesidir. Covid-19, Dünya Sağlık Örgütü tarafından pandemi olarak tanımlandırılan ve tüm dünyada salgınlaşarak insanlar için sonucu ölüme kadar gidebilecek riske sahiptir. Covid-19 tanısı konulabilmesi için şüpheli bireyden RT-PCR testi ile tanının doğrulanması gerekmektedir. Fakat bu testin sonuçlanması hem uzun zaman almakta hem de yanlış negatif sonuçlar ile çok sık karşılaşılabilmektedir. Covid-19 tanısı ne kadar erken ve doğru olursa, hayat kaybı risk oranı birey için o derece az olmaktadır. Derin öğrenme, özellikle tıp alanında son derece yüksek doğruluk ve hassasiyet gerektiren çeşitli karmaşık problemleri çözmek için çeşitli uygulamalarda yaygın olarak kullanılmıştır. Bu çalışmada, akciğer X-Ray görüntülerinden otomatik Covid-19 tanısı, önerilen çok kanallı CNN yöntemi kullanılarak yapılmaktadır. Hasta ve sağlıklı bireylerden elde edilen X-Ray görüntüleri çevrimiçi olarak üç ayrı veri tabanından elde edilmiştir. Sonuçları karşılaştırmak ve önerilen yöntemin verimliliğini ortaya koymak için tekrarlayan derin sinir ağları (SRN) mimarisi de aynı problem için uygulanmıştır. Ayrıca, çalışmanın performansını, doğruluğunu ve verimliliğini ortaya koymak için uygulanan yöntemler için doğruluk, hassasiyet analizi ve işlem sürelerinin ölçümleri yapılmıştır. Önerilen sistem ile PCR testi sonucu beklenmeden kısa sürede Covid-19 tanısı konarak, virüs vücutta etkisini ve hayati riski arttırmadan önlem alınması sağlanmaktadır. Bu çalışmada; tüm dünyada insan yaşamı için büyük bir risk olan Covid-19 ‘un erken tespiti için CNN'ye dayalı yeni bir yöntem önerilmektedir. Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadır

Anahtar Kelimeler

• Covid-19
• Önerilen çok kanallı CNN mimarisi
• Kanal seçimi
• Akciğer X-Ray
• Tanı
• Derin öğrenme

Teşekkür

Yazar, araştırmanın okunabilirliğini, düzenini ve organizasyonunu önemli ölçüde artırmaya yardımcı olan değerli yorumları ve katkıları için hakemlere ve editörlere teşekkür eder.

Kaynakça

1. T.C. Sağlık Bakanlığı Covid-19 Hastalığı, https://covid19bilgi.saglik.gov.tr/tr/covid-19-yeni-koronavirus-hastaligi-nedir, Erişim tarihi Mayıs 31, 2020.
2. Ardila, D., Kiraly, A.P., Bharadwaj, S., Choi, B., Reicher, J.J., Peng, L., Tse, D., Etemadi, M., Ye, W., Corrado, G., End-To-End Lung Cancer Screeningwith Three-Dimensional Deep Learning On Low-Dose Chest Computed Tomography, Nature Medicine, 25(6), 954–961, 2019.
3. Suzuki, K., Overview of Deep Learning in Medical Imaging, Radiological Physics And Technology,10(3), 257–273, 2017.
4. Coudray, N., Ocampo, P.S., Sakellaropoulos, T., Narula, N., Snuderl, M., David, F., Moreira, A.L., Razavian, N., Tsirigos, A., Classification and Mutation Prediction From Non–Small Cell Lung Cancer Histopathology Images Using Deeplearning, Nature Medicine, 24(10), 1559–1567, 2018.
5. Esteva, A., Kuprel, B., Novoa, R.A., Ko, J., Swetter, S.M., Blau, H.M., Thrun, S., Dermatologist-Level Classification of Skin Cancer With Deep Neural Networks, Nature, 542(7639), 115–118, 2017.
6. Fang, Y., Zhang, H., Xie, J., Lin, M., Ying,L., Pang, P., Ji, W., Sensitivity of chest CT for Covid-19: Comparison to RT-PCR, Radiology, 200432, 2020. DOI: 10.1148/radiol.2020200432
7. Ophir, G., Maayan, F.A., Hayit, G., Patrick D.B., Huangqi Z,, Wenbin, J., Bernheim, A., Siegel, E., Rapid AI development Cycle For The Coronavirus (COVID-19) Pandemic: Initial Results For Automated Detection & Patient Monitoring Using Deep Learning CT Image Analysis, Radiology, 2020. arXiv:2003.05037v3
8. Shi, F., Xia, L., Shan, F., Wu, D., Wei, Y., Yuan, H., Jiang, H., Gao, Y., Sui, H., Shen, D., Large-scale Screening of Covid-19 From Community Acquired Pneumonia Using Infection Size-Aware Classification, 2020. arXiv:2003.09860v1

9. Franquet, T., Imaging of Pneumonia: Trends and Algorithms, European Respiratory Journal, 18(1), 196–208, 2001.
10. Cherian, T., Mulholland, E.K., Carlin, J.B., Ostensen, H., Amin, R., Campo, M., Greenberg, D., Lagos, R., Lucero, M., Madhi, S.A., Standardized Interpretation Of Paediatric Chest Radiographsfor The Diagnosis Of Pneumonia in Epidemiological Studies, Bulletin of the World Health Organization, 83, 353–359, 2005.
11. Zhang, J., Xie, Y., Li, Y., Shen, C., Covid-19 Screening on Chest X-ray Images Using Deep Learning Based Anomaly Detection, 2020. arXiv:2003.12338v1
12. Shan, F., Gao, Y., Wang, J., Shi, W., Shi, N., Han, M., Xue, Z., Shi, Y., Lung Infection Quantification of Covid-19 in CT Images with Deep Learning, 1-19, 2020. arXiv:2003.04655
13. Xu, X., Jiang, X., Ma, C., Du, P., Li, X., Lv, S., Yu, L., Chen, Y., Su, J., Lang, G., Li, Y., Zhao, H., Xu, K., Ruan, L., Wu, W., Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia, Appied Intelligence, 1-29, 2020. arXiv:2002.09334
14. Wang, S., Kang, B., Ma, J., Zeng, X., Xiao, M., Guo, J., Cai, M., Yang, J., Li, Y., Meng, X., Xu, B., A Deep Learning Algorithm Using CT Images To Screen For Corona Virus Disease (Covid-19), 2020. DOI: 10.1101/2020.02.14.20023028
15. Hamimi, A. MERS-CoV: Middle East Respiratory Syndrome Corona Virus: Can Radiologynbe Of Help? Initial Single Center Experience, The Egyptian Journal of Radiology and Nuclear Medicine, 47(1), 95-106, 2016.
16. Xie, X., Li, X., Wan, S., Gong, Y., Mining X-ray Images of SARS Patients, Data Mining: Theory, Methodology, Techniques, and Applications, 282-294, Springer-Verlag, Berlin, Heidelberg, 2006. ISBN: 3540325476
17. Difference Between X-ray and CT Scan, https://biodifferences.com/difference-between-x-ray-and-ct-scan.html, Erişim tarihi Mayıs 31, 2020.
18. Narin, A., Kaya, C., Pamuk, Z., Automatic Detection of Coronavirus Disease (COVID-19) Using X-ray Images and Deep Convolutional Neural Networks, Computers in Biology and Medicine, 2020, arXiv:2003.10849v1, DOI: 10.1016/j.compbiomed.2020.103792
19. Xie, X., Zhong, Z., Zhao, W., Zheng, C., Wang, F., Liu, J., Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing, Radiology, 2020. DOI: https://pubs.rsna.org/doi/10.1148/radiol.2020200343.
20. Bernheim, A., Mei, X., Huang, M., Chest CT Findings in Coronavirus Disease-19 (Covid-19): Relationship to Duration of Infection, Radiology, 2020. DOI: https://pubs.rsna.org/doi/10.1148/radiol.2020200463.
21. Kaggle Covid-19 Chest X-Ray, https://www.kaggle.com/bachrr/covid-chest-xray, Erişim tarihi Mayıs 31, 2020.
22. Kaggle Lung Image Mini Project, https://www.kaggle.com/hnchinmaya/lung-image-mini-project-covid19-xray, Erişim tarihi Mayıs 31, 2020.
23. Kaggle Chest X-Ray Images, https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia, Erişim tarihi Mayıs 31, 2020.
24. Yılmaz, A..Yapay Zeka, Kodlab Yayınevi, Türkiye, 2017.
25. Yılmaz, A., Kaya, U., Derin Öğrenme. Kodlab Yayınevi, Türkiye, 2019.
26. Çelik, A., Arıca, N., Enhancing Face Pose Normalization With Deep Learning, Turkish Journal of Electrical Engineering & Computer Sciences, 2019. DOI:10.3906/elk-
27. Yan, Z., Xu, Z., Dai, J., The Big Data Analysis On The Camera-Based Face Image in Surveillance Cameras, Autosoft Journal – Intelligent Automation & Soft Computing, 24(1), 123-132, 2019.
28. Adem, K., Közkurt, C., Defect Detection Of Seals İn Multilayer Aseptic Packages Using Deep Learning, Turkish Journal of Electrical Engineering & Computer Sciences, 2019. doi:10.3906/elk-
29. Arı, A., Hanbay D., Bölgesel Evrişimsel Sinir Ağları Tabanlı MR Görüntülerinde Tümör Tespiti, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(3), 1395-1408, 2019.
30. Kaya, A., Keçeli, S., Can, A.B., Akciğer Nodül Özelliklerinin Tahmininde Çeşitli Sınıflama Stratejilerinin İncelenmesi, Journal of the Faculty of Engineering and Architecture of Gazi University, 34(2), 709-725, 2019.