KaydedilenlerDerginizi ekleyin

Dergiler / Bilgisayar Bilimleri / 2021 / Cilt: IDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium Sayı: Special Özel Sayı

Renklendirilmiş BT Görüntülerinden Covid-19 Tespiti İçin Derin Öğrenmeye Dayalı Bir Yöntem

A Deep Learning Based Method for Detecting Covid-19 from Colorized CT Images

Semiha Güngör(FIRAT UNIVERSITY)0000-0002-8862-1340
Mehmet Kaya(FIRAT ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-2995-8282
Reda Alhajj(ISTANBUL MEDIPOL UNIVERSITY)0000-0001-6657-9738
Sayfa
391–399
Yayın Tarihi
2021-10-20
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışmamızın sonunda %98’lik doğruluk elde edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Aralık 2019'un sonlarından bu yana Çin'in Wuhan kentinde yeni bir koronavirüs hastalığı Covid-19 kaydedildi ve daha sonra dünya çapında pandemik hale geldi.
📊
Temel Bulgular & Veri:Covid-19’un, alveollerde bıraktığı hasar ve ilerleyen solunum yetmezliğinin bir sonucu olarak ölümle sonuçlanabilir.
💡
Sonuç & Katkı:Çalışmamızın sonunda %98’lik doğruluk elde edilmiştir.
🔬Tür:Araştırma Makalesi
📍Kapsam:2019 · 19 hasta
⚙️Değişkenler:Derin Öğrenme · Covid-19 · DenseNet121

Özet

Aralık 2019'un sonlarından bu yana Çin'in Wuhan kentinde yeni bir koronavirüs hastalığı Covid-19 kaydedildi ve daha sonra dünya çapında pandemik hale geldi. Covid-19’un, alveollerde bıraktığı hasar ve ilerleyen solunum yetmezliğinin bir sonucu olarak ölümle sonuçlanabilir. Klinik tanı için kullanılan transkripsiyon polimeraz zincir reaksiyonu (RT-PCR) altın standart olmasına rağmen testler yanlış negatifler üretebilir. Ayrıca pandemik durumda RT-PCR test kaynaklarının yetersizliği, tanıyı ve tedaviyi de geciktirebilir. Bu koşullar altında göğüs BT görüntülemesi, Covid-19 hastalarının hem tanı hem de prognozu için değerli bir araç haline gelmiştir. Yakın zamanda BT taramalarında Covid-19 tanısını kolaylaştırmak ve sağlık çalışanlarına yardımcı olmak için derin öğrenme teknikleriyle geliştirilmiş birçok çalışma önerilmiştir. Bu makale, DeOldify kütüphanesini kullanarak renklendirilen BT veri seti ile derin öğrenme tekniklerinden DenseNet121’i kullanarak Covid-19'u, Covid-19 olmayan vakalardan ayırt etmeye odaklanmaktadır. Çalışmamızın sonunda %98’lik doğruluk elde edilmiştir.

Abstract

A new coronavirus disease Covid-19 has been recorded in Wuhan, China since late December 2019 and later became a worldwide pandemic. It can result in death as a result of covid-19's damage to the alveoli and progressive respiratory failure. Although transcription polymerase chain reaction (RT-PCR) is the gold standard used for clinical diagnosis, tests can produce false negatives. In addition, in the event of a pandemic, the lack of RT-PCR testing resources may delay diagnosis and treatment. Under these circumstances, Computed Tomography (CT) scans have become a valuable tool for both early diagnosis and prognosis of Covid-19 patients. Recently, many studies developed with deep learning techniques have been proposed to facilitate the diagnosis of Covid-19 in CT scans and to assist healthcare professionals. This paper focuses on distinguishing Covid-19 from non-Covid-19 cases using DenseNet121, one of the deep learning techniques, with the CT dataset colored using the DeOldify library. At the end of our study, an accuracy of 0.98 was obtained.

🔖

Bu Makaleye Atıf Yap

Güngör, S., Kaya, M., Alhajj, R. (2021). Renklendirilmiş BT Görüntülerinden Covid-19 Tespiti İçin Derin Öğrenmeye Dayalı Bir Yöntem. Bilgisayar Bilimleri, Cilt: IDAP-2021 : 5th International Artificial Intelligence and Data Processing symposium Sayı: Special Özel Sayı, 391–399. https://doi.org/10.53070/bbd.990750

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (17)

  1. Cifci, M.A. (2020). Deep Learning Model for Diagnosis of Corona Virus Disease from CT Images. International Journal of Scientific & Engineering Research, 11(4), 273–278. http://www.ijser.org
  2. Antic, J.: Deoldify (2018). https://github.com/jantic/DeOldify. (n.d.).
  3. Bansal, A., Thakur, G., & Verma, D. (2021). Detection of covid-19 using the ct scan image of lungs. CEUR Workshop Proceedings, 2786, 219–227.
  4. Brunese, L., Mercaldo, F., Reginelli, A., & Santone, A. (2020). Explainable Deep Learning for Pulmonary Disease and Coronavirus COVID-19 Detection from X-rays. Computer Methods and Programs in Biomedicine, 196, 105608. https://doi.org/10.1016/j.cmpb.2020.105608
  5. Bukhari, S. U. khalid, Bukhari, S. S. K., Syed, A., & Shah, S. S. H. (2020). The diagnostic evaluation of convolutional neural network (CNN) for the assessment of chest X-ray of patients infected with COVID-19. MedRxiv. https://doi.org/10.1101/2020.03.26.20044610
  6. Huang, G., Liu, Z., van der Maaten, L., & Weinberger, K. Q. (2016). Densely Connected Convolutional Networks. https://arxiv.org/abs/1608.06993
  7. Jaiswal, A., Gianchandani, N., Singh, D., Kumar, V., & Kaur, M. (2020). Classification of the COVID-19 infected patients using DenseNet201 based deep transfer learning. In Journal of Biomolecular Structure and Dynamics. https://doi.org/10.1080/07391102.2020.1788642
  8. Khan, A. I., Shah, J. L., & Bhat, M. M. (2020). CoroNet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images. Computer Methods and Programs in Biomedicine, 196, 105581. https://doi.org/10.1016/j.cmpb.2020.105581
  9. Lawton, S., & Viriri, S. (2021). Detection of COVID-19 from CT Lung Scans Using Transfer Learning. Computational Intelligence and Neuroscience, 2021. https://doi.org/10.1155/2021/5527923 Panwar, H., Gupta, P. K., Siddiqui, M. K., Morales-Menendez, R., & Singh, V. (2020). Application of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet. Chaos, Solitons and Fractals, 138, 109944. https://doi.org/10.1016/j.chaos.2020.109944
  10. Pathak, Y., Shukla, P. K., Tiwari, A., Stalin, S., & Singh, S. (2020). Deep Transfer Learning Based Classification Model for COVID-19 Disease. IRBM. https://doi.org/10.1016/j.irbm.2020.05.003
  11. Pereira, R. M., Bertolini, D., Teixeira, L. O., Silla, C. N., & Costa, Y. M. G. (2020). COVID-19 identification in chest X-ray images on flat and hierarchical classification scenarios. Computer Methods and Programs in Biomedicine, 194, 105532. https://doi.org/10.1016/j.cmpb.2020.105532
  12. Rahimzadeh, M., & Attar, A. (2020). A NEW MODIFIED DEEP CONVOLUTIONAL NEURAL NETWORK FOR DETECTING COVID-19 FROM X-RAY IMAGES. In arXiv (Vol. 19, p. 100360). arXiv. https://doi.org/10.1016/j.imu.2020.100360
  13. Wang, S., Kang, B., Ma, J., Zeng, X., Xiao, M., Guo, J.,. & Xu, B. (2021). A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19). European radiology, 1-9.
  14. Silva, P., Luz, E., Silva, G., Moreira, G., Silva, R., Lucio, D., & Menotti, D. (2020). COVID-19 detection in CT images with deep learning: A voting-based scheme and cross-datasets analysis. In Informatics in Medicine Unlocked (Vol. 20). https://doi.org/10.1016/j.imu.2020.100427
  15. Soares, E., Angelov, P., Biaso, S., Froes, M. H., & Abe, D. K. (2020). SARS-CoV-2 CT-scan dataset: A large dataset of real patients CT scans for SARS-CoV-2 identification. MedRxiv, 1–8.
  16. Tung-Chen, Y., Martí de Gracia, M., Díez-Tascón, A., Alonso-González, R., Agudo-Fernández, S., Parra-Gordo, M. L., Ossaba-Vélez, S., Rodríguez-Fuertes, P., & Llamas-Fuentes, R. (2020). Correlation between Chest Computed Tomography and Lung Ultrasonography in Patients with Coronavirus Disease 2019 (COVID-19). Ultrasound in Medicine and Biology, 46(11), 2918–2926. https://doi.org/10.1016/j.ultrasmedbio.2020.07.003
  17. Wang, S., Kang, B., Ma, J., Zeng, X., Xiao, M., Guo, J.,. & Xu, B. (2021). A deep learning algorithm using CT images to screen for Corona Virus Disease (COVID-19). European radiology, 1-9.