SavedAdd your journal

Journals / Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2022 / Cilt: 5 - Sayı: 2

Evaluation of Poor Prognosis in rRT-PCR Positive Covid-19 Cases with Using Deep Transfer Learning Network

Derin Transfer Öğrenme Ağı Kullanılarak rRT-PCR Pozitif Covid-19 Olgularında Kötü Prognozun Değerlendirilmesi

İsmail ŞALK
Özlem POLAT
Mürşit HASBEK
Pages
505–521
Publication Date
2022-07-18
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)

The classification results prove that Inception-V3 can classify CT images with a high accuracy rate for evaluation of Covid-19 prognosis.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The infection called Covid-19 caused by the new type of coronavirus (SARS-CoV-2) is an epidemic and deadly disease that spreads rapidly all over the world.
📊
Key Findings & Data:Early detection of Covid-19 will enable the patient to receive appropriate treatment and increase the chance of survival.
💡
Conclusion & Impact:The classification results prove that Inception-V3 can classify CT images with a high accuracy rate for evaluation of Covid-19 prognosis.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Covid-19 · Konvolüsyonel sinir ağları · Transfer öğrenme

Abstract

The infection called Covid-19 caused by the new type of coronavirus (SARS-CoV-2) is an epidemic and deadly disease that spreads rapidly all over the world. Early detection of Covid-19 will enable the patient to receive appropriate treatment and increase the chance of survival. In this study, it is aimed to investigate the detection of poor prognosis from chest CT images in Covid-19 patients who died and healed using deep learning. For this purpose, a dataset containing a total of 5997 CT images were used and images were classified using the Inception-V3. In order to evaluate the classifier ROC curves are drawn, AUC and accuracy values are used as performance metrics. Inception-V3 model was run 10 times, and a maximum classification performance of 97,55% and an average of 97,01% was achieved. The classification results prove that Inception-V3 can classify CT images with a high accuracy rate for evaluation of Covid-19 prognosis.

Özet

Yeni tip koronavirüsün (SARS-CoV-2) neden olduğu Covid-19 olarak isimlendirilen enfeksiyon, tüm dünyada hızla yayılan salgın ve ölümcül bir hastalıktır. Covid-19'un erken teşhisi, hastanın uygun tedavi almasını sağlayacak ve hayatta kalma şansını artıracaktır. Bu çalışmada derin öğrenme kullanılarak ölen ve iyileşen Covid-19 hastalarında göğüs BT görüntülerinden kötü prognoz tespitinin araştırılması amaçlanmıştır. Bu amaçla toplam 5997 CT görüntüsünü içeren bir veri seti kullanılmıştır; ve görüntüler Inception-V3 kullanılarak sınıflandırılmıştır. Sınıflandırıcıyı değerlendirmek için ROC eğrileri çizilir, performans ölçütleri olarak AUC ve doğruluk değerleri kullanılır. Inception-V3 modeli 10 kez çalıştırılmış ve maksimum %97,55 ve ortalama %97,01 sınıflandırma performansı elde edilmiştir. Sınıflandırma sonuçları, Inception-V3'ün CT görüntülerini Covid-19 prognozunun değerlendirilmesi için yüksek doğrulukla sınıflandırabildiğini kanıtlamaktadır.

🔖

Cite This Article

ŞALK, İ., POLAT, Ö., HASBEK, M. (2022). Evaluation of Poor Prognosis in rRT-PCR Positive Covid-19 Cases with Using Deep Transfer Learning Network. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 5 - Sayı: 2, 505–521. https://ajindex.com/articles/794842

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (8)

  1. Baraboshkin, E.E., Ismailova, L.S., Orlov, D.M., Zhukovskaya, E.A., Kalmykov, G.A., Khotylev, O.V., Baraboshkin, E.Y. and Koroteev, D.A. Deep convolutions for in-depth automated rock typing. Computers & Geosciences 2020; 135: 104330. Chollet, F. Keras. 2015. https://keras.io Covid-19 Guide. https://hsgm.saglik.gov.tr/depo/birimler/goc_sagligi/covid19/rehber/COVID-19_Rehberi20200414_eng_v4_002_14.05.2020.pdf, (last accessed date: 15.11.2021)
  2. Del Valle, D.M., Kim-Schulze, S., Huang, H.H., Beckmann, N.D., Nirenberg, S., Wang, B., Lavin, Y., Swartz, T.H., Madduri, D., Stock, A., Marron, T.U., Xie, H., Patel, M., Tuballes, K., Van Oekelen, O., Rahman, A., Kovatch, P., Aberg, J.A., Schadt, E., Jagannath, S., Mazumdar, M. et al., 2020, “An inflammatory cytokine signature predicts COVID-19 severity and survival”. Nature Medicine, 26(10), 1636-1643.
  3. Fawcett, T. An introduction to ROC analysis. Pattern Recognition Letters 2006; 27(8): 861-874.
  4. Goodfellow, I., Bengio, Y. and Courville, A. Deep Learning. MIT Press. 2016.
  5. Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S. and Lew, M.S. Deep learning for visual understanding: A review. Neurocomputing 2016; 187: 27-48.
  6. Kirienko, M., Ninatti, G., Cozzi, L., Voulaz, E., Gennaro, N., Barajon, I., Ricci, F., Carlo-Stella, C., Zucali, P., Sollini, M., Balzarini, L. and Chiti, A. Computed tomography (CT)-derived radiomic features differentiate prevascular mediastinum masses as thymic neoplasms versus lymphomas. La Radiologia Medica 2020; 125(10): 951-960.
  7. LeCun, Y., Boser, B., Denker, J.S., Henderson, D., Howard, R.E., Hubbard, W. and Jackel, L.D. Backpropagation applied to handwritten zip code recognition. Neural Computation 1989; 1(4): 541-551.
  8. Liao, D., Zhou, F., Luo, L., Xu, M., Wang, H., Xia, J., Gao, Y., Cai, L., Wang, Z., Yin, P., Wang, Y., Tang, L., Deng, J., Mei, H. and Hu, Y. Haematological characteristics and risk factors in the classification and prognosis evaluation of COVID-19: a retrospective cohort study. Lancet Haematology 2020; 7(9): e671-e678. Martin, A., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G.S., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., Levenberg, J., Mane, D., Monga, R., Moore, S., Murray, D., Olah, C., Schuster, M., Shlens, J., Steiner, B., Sutskever, I., Talwar, K., Tucker, P. Et al. TensorFlow: Large-scale machine learning on heterogeneous system (software available from: te