Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması

IF 1 4区工程技术 Q3 ENGINEERING, MULTIDISCIPLINARY

Journal of the Faculty of Engineering and Architecture of Gazi University Pub Date : 2023-04-12 DOI:10.17341/gazimmfd.1204092

Zehra KADİROĞLU, Erkan DENİZ, Abdurrahman ŞENYİĞİT

{"title":"Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması","authors":"Zehra KADİROĞLU, Erkan DENİZ, Abdurrahman ŞENYİĞİT","doi":"10.17341/gazimmfd.1204092","DOIUrl":null,"url":null,"abstract":"Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni (CXR) olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoni’nin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının (ESA) ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri (AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2) kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri (DVM) sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan %99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı %97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi %94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.","PeriodicalId":51103,"journal":{"name":"Journal of the Faculty of Engineering and Architecture of Gazi University","volume":"80 1","pages":"0"},"PeriodicalIF":1.0000,"publicationDate":"2023-04-12","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Journal of the Faculty of Engineering and Architecture of Gazi University","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.17341/gazimmfd.1204092","RegionNum":4,"RegionCategory":"工程技术","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q3","JCRName":"ENGINEERING, MULTIDISCIPLINARY","Score":null,"Total":0}

引用次数: 0

Abstract

Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni (CXR) olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoni’nin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının (ESA) ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri (AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2) kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri (DVM) sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan %99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı %97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi %94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.

查看原文本刊更多论文

胸部 X 光图像中肺炎检测的深度学习模型比较

肺炎是一种急性下呼吸道疾病，可导致肺组织严重发炎。虽然临床上诊断肺炎最常用的方法是胸部 X 光片（CXR），但即使对于放射科专家来说，通过 CXR 图像诊断肺炎也是一项艰巨的任务。文献显示，基于深度学习的图像处理在肺炎的自动诊断中非常有效。本研究采用基于深度学习的方法对肺炎和健康的 CXR 图像进行分类。这些方法包括深度特征提取、预训练卷积神经网络（CNN）的微调以及改进 CNN 模型的端到端训练。深度特征提取和迁移学习使用了十种不同的预训练 ESA 模型（AlexNet、ResNet50、DenseNet201、VGG16、VGG19、DarkNet53、ShuffleNet、Squeezenet、NASNetMobile 和 MobileNetV2）。支持向量机（SVM）分类器用于对深度特征进行分类。经过微调的 MobileNetV2 模型的准确率高达 99.25%，是所有结果中最高的。从 AlexNet 模型中提取的深度特征的 10 倍交叉验证测试成功率为 97.8%，而开发的 21 层 ESA 模型的端到端训练成功率为 94.25%。本研究使用的数据集由健康的肺炎 CXR 图像组成，这些图像来自 Dicle 大学医学院的胸部疾病和结核病门诊、重症监护室和胸部门诊。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

求助全文

约1分钟内获得全文求助全文

来源期刊

Journal of the Faculty of Engineering and Architecture of Gazi University ENGINEERING, MULTIDISCIPLINARY-

CiteScore

1.90

自引率

45.50%

发文量

审稿时长

6-12 weeks

期刊介绍： Gazi University Journal of the Faculty of Engineering and Architecture; Engineering qualifications described below and in the field of architecture research papers and invited articles by scanning is considered to be Turkish.