KaydedilenlerDerginizi ekleyin

Dergiler / Bilgisayar Bilimleri / 2022 / Cilt: IDAP-2022 : International Artificial Intelligence and Data Processing Symposium

A Novel Covid-19 Detection System Based on PSO and Hybrid Feature Using Support Vector Machines

Mehmet Fatih OZDEMIR
Davut HANBAY
Sayfa
120–129
Yayın Tarihi
2022-10-10
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)

Sonuç olarak, doğruluk değeri 99.9% ve AUC değeri ise 1.00 olarak bulunmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Koronavirüsle ilk olarak Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkmıştır.
📊
Temel Bulgular & Veri:Bugüne kadar etkisini artırmaya devam ettirmiştir.
💡
Sonuç & Katkı:Sonuç olarak, doğruluk değeri 99.9% ve AUC değeri ise 1.00 olarak bulunmuştur.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2019 Verileri
⚙️Değişkenler:Koronavirüs · Özellik Seçimi · LBP

Özet

Koronavirüsle ilk olarak Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkmıştır. Bugüne kadar etkisini artırmaya devam ettirmiştir. Birçok kişinin ölümüne neden olan bu virüsün tespiti günümüzde büyük önem taşımaktadır. Bu hastalığın tespiti için birçok yaklaşım bulunmaktadır. Bu yaklaşımların en başarılılarında biri göğüs röntgeni görüntüleri kullanılarak koranavirüs hastalığının veya hastalarının tespitidir. Bu çalışmada, göğüs röntgeni görüntüleri kullanılarak normal, zatürre ve koranavirüs hastalarını sınıflandırmak için akıllı bir sistem önerilmiştir. Önerilen sistem dört aşamadan oluşmaktadır. İlk olarak, veri setindeki tüm görüntüler ön işleme tabi tutulmuştur. Daha sonra özellik çıkarımı için tek tip Yerel İkili Örüntü (LBP) ve DenseNet201 derin öğrenme modelleri kullanılmıştır. Etkili öznitelikleri seçmek için parçacık sürü optimizasyonu (PSO) algoritması kullanılmıştır. Belirlenen etkin özellikler, destek vektör makinesi (SVM) ile sınıflandırılmıştır. Performans kriteri olarak doğruluk ve AUC parametreleri kullanılmıştır. Sonuç olarak, doğruluk değeri 99.9% ve AUC değeri ise 1.00 olarak bulunmuştur. Veri seti ve önerilen model kodları verilen adreste herkese açık hale getirilmiştir: https://github.com/mfatiho/covid-detection-chest-xray

Abstract

The world first met the coronavirus (COVID-19) in Wuhan, China in December 2019. It has continued to increase its influence from the first encounter until today. The detection of this virus, which has caused the death of many, is of great importance today. There are many approaches to the detection of this disease. One of the most effective of these approaches is the detection of COVID-19 disease using chest X-Ray images. In this paper, an intelligent system was proposed to classify normal, pneumonia patients and COVID-19 patients using chest X-Ray images. The proposed system was composed of four stage. At first, all images in the dataset were pre-processed. Then for the feature extraction uniform Local Binary Pattern (LBP) and DenseNet201 deep learning models were used. Particle swarm optimization (PSO) algorithm was used to select effective features. The determined effective features were classified by support vector machine (SVM). Accuracy and AUC parameters were used as performance criteria. Evaluated accuracy and AUC values were 99.9%, 1.00, respectively. The dataset and proposed model codes are made publicly available at: https://github.com/mfatiho/covid-detection-chest-xray

🔖

Bu Makaleye Atıf Yap

OZDEMIR, M. F., HANBAY, D. (2022). A Novel Covid-19 Detection System Based on PSO and Hybrid Feature Using Support Vector Machines. Bilgisayar Bilimleri, Cilt: IDAP-2022 : International Artificial Intelligence and Data Processing Symposium, 120–129. https://ajindex.com/articles/743117

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Clerc, M. (2010). Particle Swarm Optimization. Particle Swarm Optimization, 1942–1948. https://doi.org/10.1002/9780470612163
  2. Cohen, J. P., Morrison, P., Dao, L., Roth, K., Duong, T. Q., & Ghassemi, M. (2020). COVID-19 Image Data Collection: Prospective Predictions Are the Future. http://arxiv.org/abs/2006.11988
  3. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018 COVID-19 Radiography Database | Kaggle. (n.d.). Retrieved April 14, 2021, from https://www.kaggle.com/tawsifurrahman/covid19-radiography-database
  4. Cucinotta, D., & Vanelli, M. (2020). WHO declares COVID-19 a pandemic. Acta Biomedica, 91(1), 157–160. https://doi.org/10.23750/abm.v91i1.9397
  5. Göreke, V., Sarı, V., & Kockanat, S. (2021). A novel classifier architecture based on deep neural network for COVID-19 detection using laboratory findings. Applied Soft Computing, 106, 107329. https://doi.org/10.1016/j.asoc.2021.107329
  6. Guan, W., Ni, Z., Hu, Y., Liang, W., Ou, C., He, J., Liu, L., Shan, H., Lei, C., Hui, D. S. C., Du, B., Li, L., Zeng, G., Yuen, K.-Y., Chen, R., Tang, C., Wang, T., Chen, P., Xiang, J., … Zhong, N. (2020). Clinical Characteristics of Coronavirus Disease 2019 in China. New England Journal of Medicine, 382(18), 1708–1720. https://doi.org/10.1056/nejmoa2002032
  7. Hanbay, D. (2009). An expert system based on least square support vector machines for diagnosis of the valvular heart disease. Expert Systems with Applications, 36(3 PART 1), 4232–4238. https://doi.org/10.1016/j.eswa.2008.04.010
  8. Huang, C., Wang, Y., Li, X., Ren, L., Zhao, J., Hu, Y., Zhang, L., Fan, G., Xu, J., Gu, X., Cheng, Z., Yu, T., Xia, J., Wei, Y., Wu, W., Xie, X., Yin, W., Li, H., Liu, M., … Cao, B. (2020). Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. The Lancet, 395(10223), 497–506. https://doi.org/10.1016/S0140-6736(20)30183-5
  9. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 2261–2269. https://doi.org/10.1109/CVPR.2017.243
  10. Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., Marklund, H., Haghgoo, B., Ball, R., Shpanskaya, K., Seekins, J., Mong, D. A., Halabi, S. S., Sandberg, J. K., Jones, R., Larson, D. B., Langlotz, C. P., Patel, B. N., Lungren, M. P., & Ng, A. Y. (2019). CheXpert: A Large Chest Radiograph Dataset with Uncertain