Ağırlıklandırılmış Evrişimsel Sinir Ağları Topluluğu ile Göğüs Radyografilerinden Kardiyomegali Tespiti
Abstract
Kardiyomegali bir hastalık olmamasına karşın birçok kalp rahatsızlığının belirtisi olarak ortaya çıkabilmektedir. Bu belirtinin erken teşhis edilip altında yatan sebeplerin araştırılması hasta için hayati bir önem arz etmektedir. Kardiyomegali teşhisi için en sık kullanılan yöntemlerden biri göğüs radyografisidir. Derin öğrenme yöntemleri ile radyografik görüntülerin analizi son yıllarda oldukça popüler bir çalışma alanıdır. Özellikle evrişimsel sinir ağları medikal görüntü analizinde başarılı sonuçlar elde etmiştir. Bu çalışmada hekimlerin göğüs radyografilerini analiz ederken ikinci bir görüş alabilecekleri, göğüs radyografilerini normal ve kardiyomegali olmak üzere sınıflandıracak ağırlıklandırılmış evrişimsel sinir ağı (ESA) topluluğu önerilmiştir. Bu bağlamda kardiyomegali tespit etmesi için eğitilen on ESA modeli arasından en başarılı üç model ağırlıklandırılmış topluluk yöntemi için seçilmiştir. Seçilen modellerin ağırlıkları parçacık sürü optimizasyon algoritması kullanılarak belirlenmiştir. Elde edilen ağırlıklar kullanılarak yapılan testler sonucunda önerilen yöntem %89,09 doğruluk %89,09 duyarlılık, %89,30 kesinlik ve %89,08 F1 skor değerleri elde etmiştir.
Keywords
Evrişimsel Sinir Ağları, Parçacık Sürü Optimizasyonu, Kardiyomegali, Derin Öğrenme
References
- Abdelrahman, L., Al Ghamdi, M., Collado-Mesa, F., & Abdel-Mottaleb, M. (2021). Convolutional neural networks for breast cancer detection in mammography: A survey. Computers in biology and medicine, 131, 104248.
- Ayan, E., Erbay, H., & Varçın, F. (2020). Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks. Computers and Electronics in Agriculture, 179, 105809.
- Bougias, H., Georgiadou, E., Malamateniou, C., & Stogiannos, N. (2021). Identifying cardiomegaly in chest X-rays: a cross-sectional study of evaluation and comparison between different transfer learning methods. Acta Radiologica, 62(12), 1601-1609.
- Bouslama, A., Laaziz, Y., & Tali, A. (2020). Diagnosis and precise localization of cardiomegaly disease using U-NET. Informatics in Medicine Unlocked, 19, 100306.
- Candemir, S., & Antani, S. (2019). A review on lung boundary detection in chest X-rays. International journal of computer assisted radiology and surgery, 14, 563-576.
- Candemir, S., Rajaraman, S., Thoma, G., & Antani, S. (2018). Deep learning for grading cardiomegaly severity in chest x-rays: an investigation. Paper presented at the 2018 IEEE Life Sciences Conference (LSC).
- Chen, L., Mao, T., & Zhang, Q. (2022). Identifying cardiomegaly in chest x-rays using dual attention network. Applied Intelligence, 52(10), 11058-11067.
- Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. Paper presented at the Proceedings of the IEEE conference on computer vision and pattern recognition.
- Dash, S., Shakyawar, S. K., Sharma, M., & Kaushik, S. (2019). Big data in healthcare: management, analysis and future prospects. Journal of big data, 6(1), 1-25.
- Eberhart, R., & Kennedy, J. (1995). Particle swarm optimization. Paper presented at the Proceedings of the IEEE international conference on neural networks.