Dergiler / Gazi Mühendislik Bilimleri Dergisi / 2022 / Cilt: 8 - Sayı: 2

COVID-19 Tespitinde Öğrenim Aktarımına CLAHE Tabanlı Geliştirme

CLAHE based Enhancement to Transfer Learning in COVID-19 Detection

Sayfa
406–416
Yayın Tarihi
2022-09-01
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)

CLAHE tabanlı öğrenim aktarımı önerisi, en başarılı COVID-19 ve sağlıklı ikili sınıflandırma başarımına %95,878 doğruluk oranıyla VGG16 modeli üzerinde 56 disk değeri ve 0.2 klip limiti CLAHE parametrelerini kullanarak ulaşmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Derin öğrenme kullanılarak göğüs röntgeni görüntülerinin sınıflandırılması için öznitelik öğrenme ve gelişmiş ön işleme aşamaları üzerindeki geliştirmelerle COVID-19 hastalığının erken teşhisi mümkün hale getirmiştir.
📊
Temel Bulgular & Veri:Bu çalışmada göğüs röntgen filmlerine, AlexNet, MobileNet, VGG16 ve DarkNet19 gibi popüler derin öğrenme mimarilerindeki transfer öğrenme yaklaşımıyla sınıflandırmadan önce Kontrast Sınırlı Adaptif Histogram Eşitleme (CLAHE) kullanılarak ön işlem uygulanmıştır.
💡
Sonuç & Katkı:CLAHE tabanlı öğrenim aktarımı önerisi, en başarılı COVID-19 ve sağlıklı ikili sınıflandırma başarımına %95,878 doğruluk oranıyla VGG16 modeli üzerinde 56 disk değeri ve 0.2 klip limiti CLAHE parametrelerini kullanarak ulaşmıştır.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:19 hasta
⚙️Değişkenler:Derin Öğrenme · Evrişimli sinir ağları · Göğüs röntgeni

Özet

Derin öğrenme kullanılarak göğüs röntgeni görüntülerinin sınıflandırılması için öznitelik öğrenme ve gelişmiş ön işleme aşamaları üzerindeki geliştirmelerle COVID-19 hastalığının erken teşhisi mümkün hale getirmiştir. Bunun yanında, Derin Öğrenme popülaritesi nedeniyle birçok araştırmacı tarafından denenerek yüksek performanslı modeller ortaya sürülmüştür. Bu çalışmada göğüs röntgen filmlerine, AlexNet, MobileNet, VGG16 ve DarkNet19 gibi popüler derin öğrenme mimarilerindeki transfer öğrenme yaklaşımıyla sınıflandırmadan önce Kontrast Sınırlı Adaptif Histogram Eşitleme (CLAHE) kullanılarak ön işlem uygulanmıştır. Makalenin orijinalliği, göğüs röntgeni görüntülerini doğrudan ham veri ile eğitmek yerine önce hava yollarının ve patolojilerin daha belirgin yansımalarını elde edilerek gerçekleştirilmesidir. En başarılı CLAHE parametreleri çeşitli aralıklardaki deneyler sonucunda belirlenmiştir. Önerilen yaklaşımın diğer üstün katkısı, modelin eğitiminde ve testinde 3615 COVID-19'lu ve 3500 sağlıklı göğüs röntgeninden oluşan büyük ölçekli bir veri seti kullanılmasıdır. CLAHE tabanlı öğrenim aktarımı önerisi, en başarılı COVID-19 ve sağlıklı ikili sınıflandırma başarımına %95,878 doğruluk oranıyla VGG16 modeli üzerinde 56 disk değeri ve 0.2 klip limiti CLAHE parametrelerini kullanarak ulaşmıştır.

Abstract

Early diagnosis of COVID-19 disease becomes possible with the enhancements on feature learning and advanced pre-processing stages for classification of chest X-ray images using deep learning. Besides, high-performance models have been developed by many researchers due to the popularity of Deep Learning. In this study, chest X-ray images were pre-processed using Contrast Limited Adaptive Histogram Equalization (CLAHE) before the classification with particular popular transfer learning approaches in deep learning architectures including AlexNet, MobileNet, VGG16, and DarkNet19. The originality of the paper is pre-processing the images using CLAHE to obtain more significant representations of airways and pathologies instead of training with raw chest X-ray images. The best CLAHE parameters were determined considering the results of various trials at a specified range. The other superior contribution of the proposal is using a large-scale dataset, which is comprised of 3500 healthy and 3615 chest x-rays with COVID-19. The CLAHE-based transfer learning proposal achieved an accuracy rate of 95.878% as the most successful binary classification result for COVID-19 and healthy using VGG16 model and CLAHE parameters including disk value of 56, clip-limit of 0.2.

🔖

Bu Makaleye Atıf Yap

ALTAN, G., NARLI, S. S. (2022). COVID-19 Tespitinde Öğrenim Aktarımına CLAHE Tabanlı Geliştirme. Gazi Mühendislik Bilimleri Dergisi, Cilt: 8 - Sayı: 2, 406–416. https://ajindex.com/articles/666713

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. S. Jaeger et al., “Automatic Tuberculosis Screening Using Chest Radiographs,” IEEE Transactions on Medical Imaging, vol. 33, no. 2, pp. 233–245, 2014, doi: 10.1109/TMI.2013.2284099. A. A. El-solh, C. Hsiao, S. Goodnough, J. Serghani, and B. J. B. Grant, “Predicting active pulmonary Tuberculosis Using an Artificial Neural Network,” Chest, vol. 116, no. 4, pp. 968–973, 1999, doi: 10.1378/chest.116.4.968. M. E. H. Chowdhury et al., “Can AI Help in Screening Viral and COVID-19 Pneumonia?,” IEEE Access, vol. 8, pp. 132665–132676, 2020, doi: 10.1109/ACCESS.2020.3010287. I. D. Apostolopoulos and T. A. Mpesiana, “Covid-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks,” Physical and Engineering Sciences in Medicine., vol. 43, no. 2, pp. 635–640, 2020, doi: 10.1007/s13246-020-00865-4. G. Litjens et al., “A survey on deep learning in medical image analysis,” Medical Image Analysis. vol.42, pp. 60–88, 2017, doi: 10.1016/j.media.2017.07.005. S. Rajaraman, S. Sornapudi, M. Kohli, and S. Antani, “Assessment of an ensemble of machine learning models toward abnormality detection in chest radiographs,”, in Proc. of 41st Annual Int. Conf. of the IEEE Engineering in Medicine and Biology Society (EMBC), 2019, 23-27 July 2019,
  2. Berlin, Germany [Online]. Available: IEEE Xplore, https://doi.org/10.1109/EMBC.2019.8856715. [Accessed: 8 May 2022].
  3. R. Hooda, A. Mittal, and S. Sofat, “Lung segmentation in chest radiographs using fully convolutional networks,” Turkish Journal of Electrical Engineering and Computer Science., vol.27, pp.710– 722, 2019, doi: 10.3906/elk-1710-157.
  4. P. Y. Simard, D. Steinkraus, and J. C. Platt, “Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis,” in Proc. of 7th Int. Conference on Document Analysis and Recognition (Icdar) 2003. 6 Aug. 2003,
  5. Edinburgh, UK [Online]. Available: IEEE Xplore, https://doi.org/10.1109/ICDAR.2003.1227801. [Accessed: 8 May 2022].
  6. Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-based learning applied to document recognition,” IEEE, vol. 86, no. 11, pp. 2278–2324, 1998, doi: 10.1109/5.726791. Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, pp. 436–444, May 2015, doi:10.1038/nature14539. V. Nair and G. E. Hinton, “Rectified Linear Units Improve Restricted Boltzmann Machines,” in Proc. of ICML'10: 27th International Conference on Machine Learning, June 21-24, 2010,
  7. Haifa, Israel [Online]. Available: Toronto Universit