SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2024 / Cilt: 39 Sayı: 2

Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması

Zehra KADİROĞLU
Erkan DENİZ
Abdurrahman ŞENYİĞİT
Pages
729–740
Publication Date
2023-11-30
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

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.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir.
📊
Key Findings & Data:Derin öğrenme tabanlı görüntü işlemenin, pnömoni’nin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir.
💡
Conclusion & Impact: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.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Pnömoni · Evrişimsel Sinir Ağları · Derin Öznitelik Çıkarımı

Özet

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.

🔖

Cite This Article

KADİROĞLU, Z., DENİZ, E., ŞENYİĞİT, A. (2023). Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 39 Sayı: 2, 729–740. https://ajindex.com/articles/1020152

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Luján-García J. E., Yáñez-Márquez C., Villuendas-Rey Y., Camacho-Nieto O., A transfer learning method for pneumonia classification and visualization, Applied Sciences, 10 (8), 2908, 2020.
  2. Mahomed N., Van Ginneken, B., Philipsen R. H., Melendez J., Moore D. P., Moodley H., Sewchuran T., Mathew D., Madhi S. A., Computer-aided diagnosis for World Health Organization-defined chest radiograph primary-endpoint pneumonia in children, Pediatric Radiology, 50 (4), 482-491,2020.
  3. Kumar S., Singh P., Ranjan M., A review on deep learning-based pneumonia detection systems, International Conference on Artificial Intelligence and Smart Systems (ICAIS), India, 289-296,2021.
  4. Doi K., Computer-aided diagnosis in medical imaging: historical review, current status and future potential, Computerized medical imaging and graphics, 31 (4-5), 198-211, 2007. WHO. Standardization of Interpretation of Chest Radiographs for the Diagnosis of Pneumonia in Children; World Health Organization: Geneva, Switzerland, 2001.
  5. Ayan E., Ünver H. M., Diagnosis of pneumonia from chest X-ray images using deep learning, In 2019 Scientific Meeting on Electrical-Electronics & Biomedical Engineering and Computer Science (EBBT),1-5,2019.
  6. El Zein O. M., Soliman M. M., Elkholy A. K., Ghali N. I., Transfer Learning Based Model for Pneumonia Detection in Chest X-ray Images, International Journal of Intelligent Engineering and Systems, 14 (5), 56-66, 2021.
  7. Rahman T., Chowdhury M. E., Khandakar A., Islam K. R., Islam K. F., Mahbub Z. B., Kashem S., Transfer learning with deep convolutional neural network for pneumonia detection using chest X-ray, Applied Sciences, 10 (9), 3233, 2020.
  8. Yaseliani M., Hamadani A. Z., Maghsoodi A. I., Mosavi A., Pneumonia Detection Proposing a Hybrid Deep Convolutional Neural Network Based on Two Parallel Visual Geometry Group Architectures and Machine Learning Classifiers, IEEE Access, 10, 62110-62128, 2022.
  9. Kermany D. S., Goldbaum M., Cai W., Valentim C. C., Liang H., Baxter S. L.,. & Zhang, K., Identifying medical diagnoses and treatable diseases by image-based deep learning, Cell, 172 (5), 1122-1131, 2018.
  10. Mujahid M., Rustam F., Álvarez R., Luis Vidal Mazón J., Díez I. D. L. T., Ashraf I., Pneumonia Classification from X-ray Images with Inception-V3 and Convolutional Neural Network, Diagnostics, 12 (5), 1280, 2022.
  11. Szepesi P., Szilágyi L., Detection of pneumonia using convolutional neural networks and deep learning, Biocybernetics and Biomedical Engineering, 42 (3), 1012-1022,