Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÖnerilen önceden eğitilmiş derin öğrenme modelleri kullanılarak göğüs BT görüntülerinin sınıflandırılmasında elde edilen yüksek doğruluğa ek olarak, modelin tahminlerini daha iyi anlamak ve yorumlamak için gradyan ağırlıklı sınıf aktivasyon eşleşme (Grad-CAM) yöntemi de uygulandı.
📌 3 Maddede Bu Makale
Özet
COVID-19 pandemisinin dünya üzerinde çeşitli şekillerde önemli bir olumsuz etkisi oldu. Pandeminin olumsuz etkilerini azaltmak amacıyla bu çalışma, göğüs bilgisayarlı tomografi (BT) görüntülerinden COVID-19'un otomatik tespiti için bir derin öğrenme yaklaşımı önermektedir. Bu, sağlık uzmanlarının virüsün varlığını daha verimli bir şekilde tanımlamasını ve enfekte bireylere uygun bakım ve destek sağlamasını sağlayacaktır. Önerilen derin öğrenme yaklaşımı ikili sınıflandırmaya dayanmaktadır ve önceden eğitilmiş EfficientNet model ailesinin üyelerini kullanmaktadır. Bu modeller, göğüs BT görüntülerini COVID-19 için pozitif veya negatif olarak sınıflandırmak için EFSCH-19 veri seti adı verilen gerçek hasta görüntülerinden oluşan bir veri seti üzerinde eğitildi. Test görüntülerinde yapılan tahminlerin sonuçları, tüm modellerin %98'in üzerinde doğruluk değerlerine ulaştığını gösterdi. Bu modeller arasında EfficientNet-B2 modeli %99,75 doğruluk, %99,50 duyarlılık, %100 özgüllük ve %99,75 F1 skoru ile en iyi performansı gösterdi. Önerilen önceden eğitilmiş derin öğrenme modelleri kullanılarak göğüs BT görüntülerinin sınıflandırılmasında elde edilen yüksek doğruluğa ek olarak, modelin tahminlerini daha iyi anlamak ve yorumlamak için gradyan ağırlıklı sınıf aktivasyon eşleşme (Grad-CAM) yöntemi de uygulandı.
Abstract
The COVID-19 pandemic has had a significant negative impact on the world in various ways. In an effort to mitigate the negative effects of the pandemic, this study proposes a deep learning approach for the automatic detection of COVID-19 from chest computed tomography (CT) images. This would enable healthcare professionals to more efficiently identify the presence of the virus and provide appropriate care and support to infected individuals. The proposed deep learning approach is based on binary classification and utilizes members of the pre-trained EfficientNet model family. These models were trained on a dataset of real patient images, called the EFSCH-19 dataset, to classify chest CT images as positive or negative for COVID-19. The results of the predictions made on the test images showed that all models achieved accuracy values of over 98%. Among these models, the EfficientNet-B2 model performed the best, with an accuracy of 99.75%, sensitivity of 99.50%, specificity of 100%, and an F1 score of 99.75%. In addition to the high accuracy achieved in the classification of chest CT images using the proposed pre-trained deep learning models, the gradient-weighted class activation mapping (Grad-CAM) method was also applied to further understand and interpret the model's predictions.