W+-Net: Derin Öğrenme Tabanlı W+-Net: Derin Öğrenme Tabanlı Görüntü Segmentasyonu ile Covid19 Tespiti ile Covid19 Tespiti
Öz
2019 yılında Çin’in Wuhan kentinde ortaya çıkan Covid19 hastalığı kısa sürede tüm dünyayı etkisi altına almış ve pandemi olarak nitelendirilmiştir. Hastalığın akciğerde ortaya çıkarak yakalanan kişilerde ölümcül etkiler oluşturması nedeniyle tüm dünyada ciddi tedbirlerin alınmasına sebep oluştur. Tüm dünyayı kısa sürede etkisine alması ve ölümlerin hızla artması tedavinin de hızlı bir şekilde bulunmasına neden olmuştur.
Hastalık tespitinde yapay zekâ destekli çalışmaların artması enfekte olan kişilerde ki anomalilerin tespitinde derin öğrenme tabanlı görüntü segmentasyonunun teşhis işlemlerinde önemli bir çözüm oluşturabileceğini göstermiştir. Yapılan bu çalışmada W-Net+ olarak nitelendirilen uyarlanmış bir mimari önerilmektedir. Önerilen bu mimari U-Net ve W-Net mimarileriyle kıyaslanmış ve başarımları deneysel sonuçlarla gösterilmiştir. Yapılan bu çalışmada Covid 19 anomolilerin tespitinde önerdiğimiz yöntemin diğer yöntemlere göre daha başarılı olduğu açık bir biçimde görülmektedir.
Anahtar Kelimeler
Destekleyen Kurum
Bulunmamaktadır.
Proje Numarası
Proje kapsamında değildir.
Etik Beyan
Çalışmanın tüm süreçlerinin araştırma ve yayın etiğine uygun olduğunu, etik kurallara ve bilimsel atıf gösterme ilkelerine uyduğumu beyan ederim.
Kaynakça
- [1] Redmon, J., Divvala, S., Girshick, R., Farhadi, A., “You only look once: Unified, real-time object detection”, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Sayfa 779-788, 2016.
- [2] Sethy, P. K., Behera, S. K., Ratha, P. K., Biswas, P., “Detection of coronavirus disease (COVID-19) based on deep features and support vector machine”, 2020.
- [3] Szegedy, C., Toshev, A., Erhan, D., “Deep neural networks for object detection”, Advances in Neural Information Processing Systems, Cilt 26, Sayfa 779-788, 2013.
- [4] Wang, Y., Zhang, Y., Liu, Y., Tian, J., Zhong, C., Shi, Z., Zhang, Y., He, Z., “Does non-COVID-19 lung lesion help? Investigating transferability in COVID-19 CT image segmentation”, Computer Methods and Programs in Biomedicine, Cilt 202, Sayfa 106004, 2021.
- [5] Saeedizadeh, N., Minaee, S., Kafieh, R., Yazdani, S., Sonka, M., “COVID TV-Unet: Segmenting COVID-19 chest CT images using connectivity imposed Unet”, Computer Methods and Programs in Biomedicine Update, Cilt 1, Sayfa 100007, 2021.
- [6] Fung, D. L., Liu, Q., Zammit, J., Leung, C. K. S., Hu, P., “Self-supervised deep learning model for COVID-19 lung CT image segmentation highlighting putative causal relationship among age, underlying disease and COVID-19”, Journal of Translational Medicine, Cilt 19, Sayfa 1-18, 2021.
- [7] Tahir, A. M., Chowdhury, M. E. H., Khandakar, A., Rahman, T., Qiblawey, Y., Khurshid, U., Kiranyaz, S., Ibtehaz, N., Rahman, M. S., Al-Maadeed, S., Mahmud, S., Ezeddin, M., Hameed, K., Hamid, T., “COVID-19 infection localization and severity grading from chest X-ray images”, Computers in Biology and Medicine, Cilt 139, Sayfa 105002, 2021.
- [8] Wu, Y. H., Gao, S. H., Mei, J., Xu, J., Fan, D. P., Zhang, R. G., Cheng, M. M., “JCS: An explainable COVID-19 diagnosis system by joint classification and segmentation”, IEEE Transactions on Image Processing, Cilt 30, Sayfa 3113-3126, 2021.
- [9] Qi, A., Zhao, D., Yu, F., Heidari, A. A., Wu, Z., Cai, Z., Alenezi, F., Mansour, R. F., Chen, H., Chen, M., “Directional mutation and crossover boosted ant colony optimization with application to COVID-19 X-ray image segmentation”, Computers in Biology and Medicine, Cilt 148, Sayfa 105810, 2022.
- [10] Ma, J., Wang, Y., An, X., Ge, C., Yu, Z., Chen, J., Zhu, Q., Dong, G., He, J., He, Z., Cao, T., Zhu, Y., Nie, Z., Yang, X., “Toward data‐efficient learning: A benchmark for COVID‐19 CT lung and infection segmentation”, Medical Physics, Cilt 48, Sayfa 1197-1210, 2021.