Akciğer bilgisayarlı tomografilerinden görüntü işleme ve derin öğrenme ile COVID-19 tespiti

Abstract

Yeni koronavirüs hastalığı (COVID-19) SARS-CoV-2 virüsünün sebep olduğu bir salgın hastalıktır. Bulaşıcılığının çok yüksek olması sebebiyle hastalığın kontrol altına alınabilmesi için enfekte olmuş bireylerin hızlıca tespit edilip izole edilmesi gerekmektedir. Hastalığın tespit edilmesinde sıklıkla tercih edilen yöntem ters transkripsiyon-polimeraz zincir reaksiyonu (RT-PCR) testleridir. Bu testlerin sonuç verme sürelerinin uzunluğu ve başarım yüzdelerinin hastalığın evrelerine göre farklılık gösterebilmesi önemli dezavantajları olarak öne çıkmaktadır. Hastalığın erken evrelerinde hızlı ve doğru bir şekilde COVID-19 tanısı koyabilmek için tıbbi radyolojik görüntüleme yöntemleri de kullanılmaktadır. Bu yöntemler, hasta ile daha az temas gerektirdiğinden daha az bulaş riskine sahiptir. Özellikle, X-ışını (X-Ray) ve Bilgisayarlı Tomografi (BT) görüntüleri üzerinden derin öğrenme temelli yaklaşımlar ile COVID-19’un tespit edilmesini hedefleyen çalışmalar literatürde yoğun ilgi görmektedir. Bu çalışmada, akciğer BT görüntülerini içeren bir veri kümesi oluşturulmuştur. Bu veri kümesi üzerinde derin öğrenme temelli mimariler kullanılarak COVID-19’un tespiti gerçekleştirilmiştir. Derin öğrenme mimarileri kullanılırken iki farklı izlem takip edilmiştir. Birinci izlemde, Basit-CNN ve VGG16 mimarileri kullanılarak ağ derinliğinin başarım üzerindeki etkisi incelenmiştir. İkinci izlemde ise öğrenme aktarımı yönteminin derin öğrenme mimarilerinden VGG19, MobileNet ve DenseNet’in başarımları üzerindeki etkisi araştırılmıştır. Çalışmalar sonucunda DenseNet201 mimarisinin 0,99 test doğruluğu ile en yüksek başarıma sahip olduğu gözlemlenmiştir.

The novel coronavirus disease (COVID-19) is an epidemic disease caused by the SARS-CoV-2 virus. Due to the high contagiousness of the disease, infected individuals must be identified and isolated quickly to control the disease. The most preferred method for detecting the disease is reverse transcription-polymerase chain reaction (RT-PCR) tests. The length of the results of these tests and the fact that the percentage of success can differ according to the stages of the disease stand out as important disadvantages. Medical radiological imaging methods are also used to diagnose COVID-19 quickly and accurately in the early stages of the disease. These methods have less risk of infection as they require less contact with the patient. Studies in the literature that target the detection of COVID-19 with deep learning-based approaches, especially through X-Ray (X-Ray) and Computed Tomography (CT) images attract intensive attention. In this study, a dataset including lung CT images was created. On this dataset, the detection of COVID-19 was carried out using deep learning-based architectures. Two different strategies were followed when using deep learning architectures. In the first strategy, the effect of network depth on performance was examined using Basic-CNN and VGG16 architectures. In the second strategy, the effect of the learning transfer method on the performance was examined using VGG19, MobileNet and DenseNet. As a result of the studies, it has been observed that the DenseNet201 architecture has the highest performance with a test accuracy of 0,99.