SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2021 / Cilt: 36 - Sayı: 4

Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı

Atınç Yılmaz
Pages
1761–1774
Publication Date
2022-10-18
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)

Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadır

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Yeni tip koronavirüs (Covid-19), hem insanlarda hem de hayvanlarda hastalığa sebep olan koronavirüs ailesinin bir üyesidir.
📊
Key Findings & Data:Covid-19, Dünya Sağlık Örgütü tarafından pandemi olarak tanımlandırılan ve tüm dünyada salgınlaşarak insanlar için sonucu ölüme kadar gidebilecek riske sahiptir.
💡
Conclusion & Impact:Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadır
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Covid-19 · Önerilen çok kanallı CNN mimarisi · Kanal seçimi

Özet

Yeni tip koronavirüs (Covid-19), hem insanlarda hem de hayvanlarda hastalığa sebep olan koronavirüs ailesinin bir üyesidir. Covid-19, Dünya Sağlık Örgütü tarafından pandemi olarak tanımlandırılan ve tüm dünyada salgınlaşarak insanlar için sonucu ölüme kadar gidebilecek riske sahiptir. Covid-19 tanısı konulabilmesi için şüpheli bireyden RT-PCR testi ile tanının doğrulanması gerekmektedir. Fakat bu testin sonuçlanması hem uzun zaman almakta hem de yanlış negatif sonuçlar ile çok sık karşılaşılabilmektedir. Covid-19 tanısı ne kadar erken ve doğru olursa, hayat kaybı risk oranı birey için o derece az olmaktadır. Derin öğrenme, özellikle tıp alanında son derece yüksek doğruluk ve hassasiyet gerektiren çeşitli karmaşık problemleri çözmek için çeşitli uygulamalarda yaygın olarak kullanılmıştır. Bu çalışmada, akciğer X-Ray görüntülerinden otomatik Covid-19 tanısı, önerilen çok kanallı CNN yöntemi kullanılarak yapılmaktadır. Hasta ve sağlıklı bireylerden elde edilen X-Ray görüntüleri çevrimiçi olarak üç ayrı veri tabanından elde edilmiştir. Sonuçları karşılaştırmak ve önerilen yöntemin verimliliğini ortaya koymak için tekrarlayan derin sinir ağları (SRN) mimarisi de aynı problem için uygulanmıştır. Ayrıca, çalışmanın performansını, doğruluğunu ve verimliliğini ortaya koymak için uygulanan yöntemler için doğruluk, hassasiyet analizi ve işlem sürelerinin ölçümleri yapılmıştır. Önerilen sistem ile PCR testi sonucu beklenmeden kısa sürede Covid-19 tanısı konarak, virüs vücutta etkisini ve hayati riski arttırmadan önlem alınması sağlanmaktadır. Bu çalışmada; tüm dünyada insan yaşamı için büyük bir risk olan Covid-19 ‘un erken tespiti için CNN'ye dayalı yeni bir yöntem önerilmektedir. Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadır

🔖

Cite This Article

Yılmaz, A. (2022). Çok kanallı CNN mimarisi ile X-Ray görüntülerinden COVID-19 tanısı. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 36 - Sayı: 4, 1761–1774. https://ajindex.com/articles/523487

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. T.C. Sağlık Bakanlığı Covid-19 Hastalığı, https://covid19bilgi.saglik.gov.tr/tr/covid-19-yeni-koronavirus-hastaligi-nedir, Erişim tarihi Mayıs 31, 2020.
  2. Ardila, D., Kiraly, A.P., Bharadwaj, S., Choi, B., Reicher, J.J., Peng, L., Tse, D., Etemadi, M., Ye, W., Corrado, G., End-To-End Lung Cancer Screeningwith Three-Dimensional Deep Learning On Low-Dose Chest Computed Tomography, Nature Medicine, 25(6), 954–961, 2019.
  3. Suzuki, K., Overview of Deep Learning in Medical Imaging, Radiological Physics And Technology,10(3), 257–273, 2017.
  4. Coudray, N., Ocampo, P.S., Sakellaropoulos, T., Narula, N., Snuderl, M., David, F., Moreira, A.L., Razavian, N., Tsirigos, A., Classification and Mutation Prediction From Non–Small Cell Lung Cancer Histopathology Images Using Deeplearning, Nature Medicine, 24(10), 1559–1567, 2018.
  5. Esteva, A., Kuprel, B., Novoa, R.A., Ko, J., Swetter, S.M., Blau, H.M., Thrun, S., Dermatologist-Level Classification of Skin Cancer With Deep Neural Networks, Nature, 542(7639), 115–118, 2017.
  6. Fang, Y., Zhang, H., Xie, J., Lin, M., Ying,L., Pang, P., Ji, W., Sensitivity of chest CT for Covid-19: Comparison to RT-PCR, Radiology, 200432, 2020. DOI: 10.1148/radiol.2020200432 Ophir, G., Maayan, F.A., Hayit, G., Patrick D.B., Huangqi Z,, Wenbin, J., Bernheim, A., Siegel, E., Rapid AI development Cycle For The Coronavirus (COVID-19) Pandemic: Initial Results For Automated Detection & Patient Monitoring Using Deep Learning CT Image Analysis, Radiology, 2020. arXiv:2003.05037v3 Shi, F., Xia, L., Shan, F., Wu, D., Wei, Y., Yuan, H., Jiang, H., Gao, Y., Sui, H., Shen, D., Large-scale Screening of Covid-19 From Community Acquired Pneumonia Using Infection Size-Aware Classification, 2020. arXiv:2003.09860v1 Franquet, T., Imaging of Pneumonia: Trends and Algorithms, European Respiratory Journal, 18(1), 196–208, 2001.
  7. Cherian, T., Mulholland, E.K., Carlin, J.B., Ostensen, H., Amin, R., Campo, M., Greenberg, D., Lagos, R., Lucero, M., Madhi, S.A., Standardized Interpretation Of Paediatric Chest Radiographsfor The Diagnosis Of Pneumonia in Epidemiological Studies, Bulletin of the World Health Organization, 83, 353–359, 2005.
  8. Zhang, J., Xie, Y., Li, Y., Shen, C., Covid-19 Screening on Chest X-ray Images Using Deep Learning Based Anomaly Detection, 2020. arXiv:2003.12338v1 Shan, F., Gao, Y., Wang, J., Shi, W., Shi, N., Han, M., Xue, Z., Shi, Y., Lung Infection Quantification of Covid-19 in CT Images with Deep Learning, 1-19, 2020. arXiv:2003.04655 Xu, X., Jiang, X., Ma, C