Derin öğrenme tabanlı yaklaşımlarla akciğer röntgen görüntüleri üzerinden COVID-19 ve bakteri kaynaklı zatürrenin otomatik teşhisi

COVID-19 is a virus-induced disease that causes a high mortality rate around the world. Patients infected with the virus have distinct radiographic visual features as well as dry cough, shortness of breath, fever, and other symptoms. However, another disease with similar symptoms is pneumonia. Accurate diagnosis of COVID-19 and pneumonia is of great importance to help physicians treat patients with appropriate treatments. Although Reverse Transcription - Polymerase Chain Reaction (RT-PCR) testing is routinely used for COVID-19 diagnosis, it is costly, time-consuming, and prone to false results. For this reason, medical imaging-based computer-aided studies that provide low-cost, fast and successful results for diagnosis are an important alternative. In this study, three different deep learning-based approaches are proposed, aiming to automatically diagnosis COVID-19 patients, bacterial pneumonia patients and healthy individuals through lung X-ray images. In the first approach, the learning transfer method was applied, in the second approach, feature extraction, and in the third approach, the feature selection method was applied. Pre-trained convolutional deep neural networks Vgg19, ResNet50 and DenseNet201 were used for learning transfer and feature extraction. Support Vector Machine was preferred as the classifier in the feature extraction and feature selection approach. A total of 4500 x-ray images, 1500 of each class obtained from three different publicly available lung x-ray image databases made available by Kaggle, were used in the study. In the learning transfer approach, 99.2% accuracy was achieved with ResNet50, in the feature extraction approach, 98.7% accuracy was achieved with DenseNet201, and in the feature selection approach, 98.3% accuracy was achieved with ResNet50. In addition, thanks to the proposed feature selection approach, the classification speed increased approximately five times without a significant decrease in classification accuracy.

COVID-19 tüm dünyada yüksek ölüm oranına neden olan virüs kaynaklı bir hastalıktır. Virüsle enfekte olan hastalar kuru öksürük, nefes darlığı, ateş ve diğer semptomların yanı sıra belirgin radyografik görsel özelliklere sahiptir. Bununla birlikte benzer semptomları içeren bir başka hastalık ise zatürredir. COVID-19 ve zatürrenin doğru teşhisi, hekimlerin hastalara uygun tedavilerle müdahale etmesine yardımcı olmak için büyük önem taşımaktadır. Ters Transkripsiyon - Polimeraz Zincir Reaksiyonu (RT-PCR) testi, COVID-19 teşhisi için rutin olarak kullanılmasına rağmen maliyetli, zaman alıcı ve yanlış sonuçlara eğilimlidir. Bu nedenle teşhis için düşük maliyetli, hızlı ve başarılı sonuç veren tıbbi görüntüleme tabanlı bilgisayar destekli çalışmalar önemli bir alternatiftir. Bu çalışmada, COVID-19 hastaları, bakteri kaynaklı zatürre hastaları ve sağlıklı bireylerin akciğer röntgen görüntüleri üzerinden otomatik olarak teşhis edilmesini amaçlayan derin öğrenme tabanlı üç farklı yaklaşım önerilmiştir. İlk yaklaşımda öğrenme aktarımı, ikinci yaklaşımda öznitelik çıkarımı ve üçüncü yaklaşımda ise öznitelik seçimi yöntemi uygulanmıştır. Önceden eğitilmiş evrişimli derin sinir ağları Vgg19, ResNet50 ve DenseNet201 öğrenme aktarımı ve öznitelik çıkarımı amacıyla kullanılmıştır. Öznitelik çıkarımı ve öznitelik seçimi yaklaşımında sınıflandırıcı olarak Destek Vektör Makinesi tercih edilmiştir. Çalışmada Kaggle tarafından erişime sunulan ve herkese açık üç farklı akciğer röntgen görüntüsü veri tabanından elde edilen her bir sınıfa ait 1500 adet olmak üzere toplamda 4500 adet röntgen görüntüsü kullanılmıştır. Öğrenme aktarımı yaklaşımında ResNet50 ile %99.2, öznitelik çıkarımı yaklaşımında DenseNet201 ile %98.7, öznitelik seçimi yaklaşımında ise ResNet50 ile %98.3 doğruluk elde edilmiştir. Bunun yanı sıra önerilen öznitelik seçimi yaklaşımı sayesinde sınıflandırma doğruluğunda belirgin bir düşüş yaşanmadan sınıflandırma hızı yaklaşık beş kat artmıştır.