Derin Öğrenme Yöntemleriyle Çapraz Veri Seti Değerlendirmesi Altında COVID-19 Tespiti

Abstract

COVID-19 salgını tüm dünyayı etkilemiş ve son yüz yılın en şiddetli rahatsızlıklarından biri haline gelmiştir. Yüksek bulaşıcılığı nedeniyle, COVID-19’un erken aşamada tespiti ve enfekte olan hastaların diğerlerinden izole edilmesi pandemiyi kontrol etmede en önemli aşamalardan biridir. Revers-Transkriptaz Polimeraz Zincir Reaksiyonu (RT-PCR) enfekte olan hastaları teşhis etmek için kullanılan en yaygın yöntemdir; ancak, bu yöntem zaman alıcı ve yoğun emek gerektirmektedir. Yakın zamanda, COVID-19’un hızlı tespiti için bilgisayarlı tomografi görüntüleri kullanılarak yapılan derin öğrenme tabanlı birçok çalışma mevcuttur. Bu çalışmalarda, enfekte olan hastalar hızlı ve yüksek doğruluk oranları (>%97) ile tespit edilebilmektedir. Fakat bu kapsamda hazırlanan veri setleri incelendiğinde, verilerin genellikle aynı ülke veya aynı ildeki hastanelerden elde edildiği gözlenmektedir. Bu durum, kurulan modelin etnik bağımlılığa sahip olmasına ve farklı veri setlerinde aynı performansı göstermemesine neden olabilir. Bu çalışmada, çapraz veri değerlendirmesi (eğitim ve test için farklı veri setleri) altında güncel derin öğrenme modellerinin performansı deneysel olarak incelenmiştir. İncelenen modeller arasında en yüksek tespit skoru %71.47 ile modeli kullanılarak elde edilmiştir. Ayrıca, eğitilen ResNet50 modelinin görüntünün sınıfına (Covid/Non-Covid) karar verirken odaklandığı alanları göstermek için Grad-CAM sonuçları sağlanmıştır.

Keywords

• COVID-19
• derin öğrenme
• evrişimsel sinir ağları

Derin Öğrenme Yöntemleriyle Çapraz Veri Seti Değerlendirmesi Altında COVID-19 Tespiti

Öz

COVID-19 salgını tüm dünyayı etkilemiş ve son yüz yılın en şiddetli rahatsızlıklarından biri haline gelmiştir. Yüksek bulaşıcılığı nedeniyle, COVID-19’un erken aşamada tespiti ve enfekte olan hastaların diğerlerinden izole edilmesi pandemiyi kontrol etmede en önemli aşamalardan biridir. Revers-Transkriptaz Polimeraz Zincir Reaksiyonu (RT-PCR) enfekte olan hastaları teşhis etmek için kullanılan en yaygın yöntemdir; ancak, bu yöntem zaman alıcı ve yoğun emek gerektirmektedir. Yakın zamanda, COVID-19’un hızlı tespiti için bilgisayarlı tomografi görüntüleri kullanılarak yapılan derin öğrenme tabanlı birçok çalışma mevcuttur. Bu çalışmalarda, enfekte olan hastalar hızlı ve yüksek doğruluk oranları (>%97) ile tespit edilebilmektedir. Fakat bu kapsamda hazırlanan veri setleri incelendiğinde, verilerin genellikle aynı ülke veya aynı ildeki hastanelerden elde edildiği gözlenmektedir. Bu durum, kurulan modelin etnik bağımlılığa sahip olmasına ve farklı veri setlerinde aynı performansı göstermemesine neden olabilir. Bu çalışmada, çapraz veri değerlendirmesi (eğitim ve test için farklı veri setleri) altında güncel derin öğrenme modellerinin performansı deneysel olarak incelenmiştir. İncelenen modeller arasında en yüksek tespit skoru %71.47 ile ResNet50 modeli kullanılarak elde edilmiştir. Ayrıca, eğitilen ResNet50 modelinin görüntünün sınıfına (Covid/Non-Covid) karar verirken odaklandığı alanları göstermek için Grad-CAM sonuçları sağlanmıştır.

Anahtar Kelimeler

• COVID-19
• derin öğrenme
• evrişimsel sinir ağları

Kaynakça

1. [1] Xu X, Jiang X, Ma C, Du P, Li X, Lv S, Yu L, Ni Q, Chen Y, Su J. A deep learning system to screen novel coronavirus disease 2019 pneumonia. Engineering, 2020; 6(10): 1122-1129.
2. [2] Ai T, Yang Z, Hou H, Zhan C, Chen C, Lv W, Tau Q, Sun Z, Xia L. Correlation of chest CT and RT-PCR testing in coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases. Radiology, 2020.
3. [3] Panwar H, Gupta P. K, Siddiqui M. K, Morales-Menendez R, Singh V. Application of deep learning for fast detection of COVID-19in X-Rays using nCOVnet. Chaos, Solitons & Fractals, 2020; 138: 109944.
4. [4] Brunese, L, Mercaldo F, Reginelli A, Santone A. Explainable deep learning for pulmonary disease and coronavirus COVID-19detection from X-rays. Computer Methods and Programs in Biomedicine, 2020; 196: 105608.
5. [5] Das N. N, Kumar N, Kaur M, Kumar V, Singh D.Automated deep transfer learning-based approach for detection of COVID-19infection in chest X-rays. Irbm. 2020.
6. [6] Amyar A, Modzelewski R, Li H, Ruan S. Multi-task deep learning based CT imaging analysis for COVID-19pneumonia: Classification and segmentation. Computers in Biology and Medicine. 2020; 126: 104037.
7. [7] Silva P, Luz E, Silva G, Moreira G, Silva R, Lucio D, Menotti D. COVID-19detection in CT images with deep learning: A voting-based scheme and cross-datasets analysis. Informatics in medicine unlocked. 2020; 20: 100427.
8. [8] Saood A, Hatem I. COVID-19lung CT image segmentation using deep learning methods: U-Net versus SegNet. BMC Medical Imaging. 2021; 21(1): 1-10.

9. [9] Gibson E, Giganti F, Hu Y, Bonmati E, Bandula S, Gurusamy K, Davidson B, Pereira S. P, Clarrkson M. J, Barratt D. C. Automatic multi-organ segmentation on abdominal CT with dense V-networks. IEEE transactions on medical imaging. 2018; 37(8): 1822-1834.
10. [10] Qiu T, Wen C, Xie K, Wen F. Q, Sheng G. Q, Tang X. G. Efficient medical image enhancement based on CNN‐FBB model. IET Image Processing. 2019; 13(10): 1736-1744.
11. [11] Fakoor R, Ladhak F, Nazi A, Huber M. Using deep learning to enhance cancer diagnosis and classification. In Proceedings of the international conference on machine learning. ACM, New York, USA. 2013; 28: 3937-3949.
12. [12] Atas M, Ozdemir C, Atas İ, Ak B, Özeroğlu E. Biometric identification using panoramic dental radiographic images with few-shot learning. Turkish Journal of Electrical Engineering and Computer Sciences. 2022; 30(3): 1115-1126.
13. [13] Ahmet, K. A. R. A. Uzun-Kısa Süreli Bellek Ağı Kullanarak Global Güneş Işınımı Zaman Serileri Tahmini. Gazi University Journal of Science Part C: Design and Technology. 2019; 7(4): 882-892.
14. [14] Atas I, Ozdemir C, Atas M, Dogan Y. Forensic Dental Age Estimation Using Modified Deep Learning Neural Network. arXiv preprint arXiv:2208.09799. 2022.
15. [15] Yetis A. D, Yesilnacar M. I, Atas M. A machine learning approach to dental fluorosis classification. Arabian Journal of Geosciences. 2021; 14(2): 1-12.
16. [16] ER M. B. Akciğer Seslerinin Derin Öğrenme ile Sınıflandırılması. Gazi University Journal of Science Part C: Design and Technology. 2020; 8(4): 830-844.
17. [17] Ozdemir C, Gedik M. A, Kaya Y. Age Estimation from Left-Hand Radiographs with Deep Learning Methods. Traitement du Signal. 2021; 38(6).
18. [18] Kontuk R, Turan M. NLP Kullanılarak Haberlerin Yaş Gruplarına Göre Sınıflandırılması. Gazi University Journal of Science Part C: Design and Technology. 2020; 8(2): 372-382.
19. [19] Yang X, He X, Zhao J, Zhang Y, Zhang S, Xie P. COVID-CT-dataset: a CT scan dataset about COVID-19. arXiv preprint arXiv:2003.13865. 2020.
20. [20] Soares E, Angelov P, Biaso S, Froes M. H, Abe D. K. SARS-CoV-2 CT-scan dataset: A large dataset of real patients CT scans for SARS-CoV-2 identification. MedRxiv. 2020.
21. [21] Deng J, Dong W, Socher R, Li L. J, Li K, Fei-Fei L. Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition. 2019; 248-255.
22. [22] Krizhevsky A, Sutskever I, Hinton G. E. Imagenet classification with deep convolutional neural networks. Communications of the ACM. 2017; 60(6): 84-90.
23. [23] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. 2014.
24. [24] Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. In International conference on machine learning. 2015;448-456.
25. [25] Iandola F. N, Han S, Moskewicz M. W, Ashraf K, Dally W. J, Keutzer K. SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360. 2016.
26. [26] He K, Zhang X, Ren S, Sun J. Deep residual learning. Image Recognition. 2015; 7.
27. [27] Huang G, Liu Z, Van Der Maaten L, Weinberger K. Q. Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2017;4700-4708.
28. [28] Sandler M, Howard A, Zhu, M, Zhmoginov A, Chen L. C. Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition. 2018; 4510-4520.
29. [29] Tan M, Le Q. Efficientnetv2: Smaller models and faster training. In International Conference on Machine Learning. 2021; 10096-10106.
30. [30] Ketkar N. Stochastic gradient descent. In Deep learning with Python. Apress, Berkeley, CA. 2017; 113-132.