KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2021 / Cilt: 9 - Sayı: 3

Derin Öğrenme Yöntemleri ile COVID-19 Teşhisi

COVID-19 Diagnosis Using Deep Learning

Furkan KAYA
Esra ÖZGÜL
Gür Emre GÜRAKSIN
Sezin BARIN
Sayfa
8–23
Yayın Tarihi
2022-10-12
DOI
—
🏛️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)

Elde edilen sonuçlar önerilen derin öğrenme tabanlı sistemin erken teşhis için RT-PCR testini destekleyici olarak klinik ortamda kullanılabileceğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Çin’in Wuhan şehrinde ortaya çıkan ve COVID-19 olarak adlandırılan koronovirüsü dünyanın çok büyük bir kısmını etkisi altına alarak hızla yayılmış ve birçok insanın ölümüne yol açmıştır.
📊
Temel Bulgular & Veri:Ancak kuluçka dönemindeki hastaların teşhisinde beklenen doğruluk değerleri elde edilememektedir.
💡
Sonuç & Katkı:Elde edilen sonuçlar önerilen derin öğrenme tabanlı sistemin erken teşhis için RT-PCR testini destekleyici olarak klinik ortamda kullanılabileceğini göstermektedir.
🔬Tür:Araştırma Makalesi
📍Kapsam:19 hasta
⚙️Değişkenler:Derin Öğrenme · COVID-19 · GoogleNet

Özet

Çin’in Wuhan şehrinde ortaya çıkan ve COVID-19 olarak adlandırılan koronovirüsü dünyanın çok büyük bir kısmını etkisi altına alarak hızla yayılmış ve birçok insanın ölümüne yol açmıştır. Yayılmanın önlenmesi veya yavaşlatılması için erken teşhis oldukça önemlidir. Klinisyenler tarafından ilk tercih edilen yöntem gerçek zamanlı ters transkripsiyon-polimeraz zincir reaksiyonu (RT-PCR) olmaktadır. Ancak kuluçka dönemindeki hastaların teşhisinde beklenen doğruluk değerleri elde edilememektedir. Bu nedenle COVID-19 hastalarında ortak olarak görülen akciğer hasarları göz önüne alınmış ve radyolojik akciğer görüntüleri teşhis koymak için kullanılmıştır. Bu çalışmada posteroanterior(PA) göğüs X-Ray görüntülerinden derin öğrenme yöntemi ile otomatik COVID-19 teşhisi yapılmıştır. Çalışmada iki farklı derin öğrenme yöntemi kullanılarak, sağlıklı,covid,bacterial pneumonia ve viral pneumonia X-ray görüntüleri bulunan sınıflardan oluşan farklı veriseti kombinasyonları ile sınıflandırma yapılmıştır. Elde edilen sonuçlar önerilen derin öğrenme tabanlı sistemin erken teşhis için RT-PCR testini destekleyici olarak klinik ortamda kullanılabileceğini göstermektedir.

Abstract

The coronavirus, which appeared in Wuhan city of China and named COVID-19 , spread rapidly and caused the death of many people. Early diagnosis is very important to prevent or slow the spread. The first preferred method by clinicians is real-time reverse transcription-polymerase chain reaction (RT-PCR). However, expected accuracy values cannot be obtained in the diagnosis of patients in the incubation period. Therefore, common lung devastation in COVID-19 patients were considered and radiological lung images were used to diagnose. In this study, automatic COVID-19 diagnosis was made from posteroanterior (PA) chest X-Ray images by deep learning method. In the study, using two different deep learning methods, classification was made with different dataset combinations consisting of healthy, COVID, bacterial pneumonia and viral pneumonia X-ray images. The results show that the proposed deep learning-based system can be used in the clinical setting as a supplement to RT-PCR test for early diagnosis

🔖

Bu Makaleye Atıf Yap

KAYA, F., ÖZGÜL, E., GÜRAKSIN, G. E., BARIN, S. (2022). Derin Öğrenme Yöntemleri ile COVID-19 Teşhisi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 9 - Sayı: 3, 8–23. https://ajindex.com/articles/494050

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (1)

  1. “Q&A on coronaviruses (COVID-19).” [Online]. Available: https://www.who.int/news-room/q-a-detail/q-a-coronaviruses (accessed Apr. 09, 2020). [2] J. Guarner, “Three Emerging Coronaviruses in Two Decades,” Am. J. Clin. Pathol., vol. 153, no. 4, pp. 420–421, 2020, doi: 10.1093/ajcp/aqaa029. [3] N. N. Chathappady House, S. Palissery, and H. Sebastian, “Corona Viruses: A Review on SARS, MERS and COVID-19,” Microbiol. Insights, vol. 14, pp. 1–8, 2021, doi: 10.1177/11786361211002481. [4] J. Xiao, M. Fang, Q. Chen, and B. He, “SARS, MERS and COVID-19 among healthcare workers: A narrative review,” J. Infect. Public Health, 2020, doi: 10.1016/j.jiph.2020.05.019. [5] A. Alqudah, S. Qazan, H. Alquran, and I. Qasmieh, “Covid-2019 detection using x-ray images and artificial ıntellıgence hybrıd systems,” Biomed. Signal Image Anal. Proj. Biomed. Signal Image Anal. Mach. Learn. Lab Boca Raton, FL, USA., doi: 10.5455/jjee.204-158531224. [6] X. Xie, Z. Zhong, W. Zhao, C. Zheng, F. Wang, and J. Liu, “Chest CT for Typical 2019-nCoV Pneumonia: Relationship to Negative RT-PCR Testing,” Radiology, 2020, doi: 10.1148/radiol.2020200343. [7] C. Huang et al., “Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China,” Lancet, vol. 395, no. 10223, pp. 497–506, 2020, doi: 10.1016/S0140-6736(20)30183-5. [8] F. Song et al., “Emerging 2019 Novel Coronavirus (2019-nCoV) Pneumonia,” Radiology, vol. 295, no. 1, pp. 210–217, 2020, doi: 10.1148/radiol.2020200274. [9] A. Abbas, M. M. Abdelsamea, and M. M. Gaber, “Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network,” Appl. Intell., vol. 51, no. 2, pp. 854–864, 2021, doi: 10.1007/s10489-020-01829-7. [10] J. P. Cohen, P. Morrison, and L. Dao, “COVID-19 Image Data Collection,” arXiv, Mar. 2020. [11] S. Wang et al., “A deep learning algorithm using CT images to screen for Corona virus disease (COVID-19),” Eur. Radiol., pp. 1–9, 2021, doi: 10.1007/s00330-021-07715-1. [12] “Chest X-Ray Images (Pneumonia) | Kaggle.” [Online]. Available: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia (Accessed Apr. 12, 2020). [13] A. M. Alqudah and S. Qazan, “Augmented COVID-19 X-ray Images Dataset,” Mendeley Data, vol. 4, 2020, doi: 10.17632/2FXZ4PX6D8.4. [14] X. Xu et al., “A Deep Learning System to Screen Novel Coronavirus Disease 2019 Pneumonia,” Engineering, vol. 6, no. 10, pp. 1122–1129, 2020, doi: 10.1016/j.eng.2020.04.010. [15] M. E. H. Chowdhury et al., “Can AI Help in Scre