Bilgisayarlı Tomografi Görüntülerini Kullanarak Covid-19 Hastalığının Derin Öğrenme Teknikleriyle Tespiti

Abstract

Covid-19, beta-koronavirüs ailesi içerisinde yer alan, insanlarda basit bir soğuk algınlığından ağır akut solunum hastalıklarına kadar ilerleyebilen bir hastalıktır. Tansiyon, diyabet gibi kronik hastalıklarda ve 60 yaş üzerindeki insanlarda öldürücü etkisi daha fazladır. Bu nedenle tanının ve tedavinin acil olarak yapılması önem taşır. Covid-19 tanısında aktif olarak PCR (PolymeraseChainReaction) testi kullanılmaktadır. Covid-19 tanısı için bilgisayarlı tomografi (BT), ultrason görüntüleme, laboratuvar testleri gibi birçok yöntem kullanılabilir. Bunun yanı sıra hekimler şüpheli hastanın BT görüntülerini tanıya yardımcı olması amacıyla kullanmaktadır. BT görüntüleri hızlı elde edilebilir ve Covid-19 hastalığının akciğerlerde yarattığı enfeksiyon BT ile görülebilir. BT bilgisayar destekli uygulamalarda sıkça kullanılmaktadır. Bilgisayar destekli uygulamalar hekimlere tanı ve tedavide destek veren sistemlerdir. Geliştirilen bu uygulamaların insan yanılgısından uzak, objektif olması tanıdaki güvenilirliği arttırır ve hata oranını ciddi oranlarda düşürür. Derin öğrenme, sistemin otomatik olarak öğrendiği ve sınıflandırma için gerekli olan özellikleri çok sayıda girdi verisi katmanının işlenmesinden keşfettiği temsili öğrenmeye dayanan bir makine öğrenme tekniğidir. Derin öğrenme birçok bilgisayar destekli biyomedikal yazılımda kullanılmaktadır. Bu çalışmada, BT verileri kullanılarak Covid-19 hastalığını derin öğrenme teknikleri ile tespit etmek amaçlanmıştır. Veri seti 118 Covid-19 tanılı hasta ve 100 sağlıklı bireyden oluşmaktadır. Çalışmada, 751 adet Covid-19 tanılı hastaya ve 628 sağlıklı bireye ait BT görüntüsü kullanılmıştır. Elde edilen toplam 1379 BT verisi %70 eğitim ve %30 test verisi olarak bölünmüştür. Bu veriler AlexNet, GoogleNet, VGG-16, VGG-19 gibi derin öğrenme modelleri ve önerilen derin öğrenme modeli kullanılarak sınıflandırılmıştır. Önerilen model dışında kullanılan ağlar ImageNet verisi ile eğitilmiştir. Eğitilen bu ağlar kullanılırken, önceden eğitilmiş ağırlıklarla başlanmış daha sonra kendi eğitim verimiz ile tüm ağ eğitilmiş ve ağırlıklar güncellenmiştir. Önerilen modelde veriler 100x100 boyutlarında ağlara girdi olarak verilmiştir. Önerilen modelde veriler 3 kanallı renkli görüntü olarak değil, 2 kanallı gri görüntüler olarak kullanılmıştır. 8 katmandan oluşan modelimizde, 256x256 boyutunda olan filtreler tam bağlantılı katman ve çıkış katmanı dışındaki tüm katmanlarda kullanılmıştır. Modelde 5 evrişim ve havuzlama katmanı, 1 tam bağlantılı katman bulunmaktadır. Buna ek olarak tam bağlantılı katmandan önce özellik haritalarının özellik vektörüne dönüşütürüldüğü ve daha sonra tam bağlantılı katmana bağlandığı bir katman bulunmaktadır. Daha sonra çıkış katmanı ile ağ sonlandırılmıştır. Yapılan çalışma sonucunda AlexNet ile %80,39, GoogleNet ile %93,90, VGG-16 ile %93,75 ve VGG-19 ile %88,38 sınıflandırma doğruluğu elde etmiştir. Önerilen ağ diğer ağ modellerine göre %95,64 doğruluk elde ederek daha yüksek sınıflandırma doğruluğu göstermiştir. Bunun yanı sıra çalışmada önerilen model %98,94 hassaslık değerine sahip olurken, AlexNet ile %64,89, GoogleNet ile %92,89, VGG-16 ile %93,78, VGG-19 ile %81,33 hassaslık değerlerine ulaşılmıştır. Ayrıca önerilen model %92,89 özgüllük değerine sahip olurken, AlexNet %98,94, GoogleNet %95,21, VGG-16 %94,15, VGG-19 ise %96,81 özgüllük değerine ulaşmıştır. Gerçekleştirilen bu çalışmanın Covid-19 salgınında tanıya yardımcı olacağı, ayrıca yapay zekâ yardımı ile sağlık çalışanlarının iş yükünü azaltacağı ve maliyeti düşüreceği düşünülmektedir.