AI-powered diagnosis of respiratory diseases: Evaluating vision transformers and ResNet architectures for covid-19 and lung pathologies

Ahmet Solak

Makale detayları

AI-powered diagnosis of respiratory diseases: Evaluating vision transformers and ResNet architectures for covid-19 and lung pathologies

Yazarlar:

Ahmet Solak

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Derin Öğrenme | Biyomedikal Görüntüleme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1385-1397

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001360275

pISSN:

2564-6605

Anahtar kelimeler:

Özet:

 This study systematically evaluates the efficacy of advanced deep learning architectures, namely Vision Transformers ViT and various ResNet models ResNet50, ResNet101, ResNet152, in the classification of chest radiographs into four clinically significant diagnostic categories: Normal, Lung Opacity, Viral Pneumonia, and COVID-19. A meticulously curated dataset comprising 21,165 chest X-ray images was utilized to benchmark the models performance across key evaluation metrics, including precision, recall, F1-score and accuracy. The experimental evaluation reveals that ViT model achieved 90.25 accuracy, 91.56 precision, 89.22 recall, and a 90.25 F1-score. These findings highlight the potential of AI-driven approaches in augmenting medical diagnostics, improving diagnostic accuracy, and enhancing healthcare delivery, particularly in resource-limited settings. The study underscores the applicability of Vision Transformers in complex medical imaging tasks and contributes to the growing body of research supporting AI-based solutions for respiratory diseases and other healthcare challenges.

 This study systematically evaluates the efficacy of advanced deep learning architectures, namely Vision Transformers ViT and various ResNet models ResNet50, ResNet101, ResNet152, in the classification of chest radiographs into four clinically significant diagnostic categories: Normal, Lung Opacity, Viral Pneumonia, and COVID-19. A meticulously curated dataset comprising 21,165 chest X-ray images was utilized to benchmark the models performance across key evaluation metrics, including precision, recall, F1-score and accuracy. The experimental evaluation reveals that ViT model achieved 90.25 accuracy, 91.56 precision, 89.22 recall, and a 90.25 F1-score. These findings highlight the potential of AI-driven approaches in augmenting medical diagnostics, improving diagnostic accuracy, and enhancing healthcare delivery, particularly in resource-limited settings. The study underscores the applicability of Vision Transformers in complex medical imaging tasks and contributes to the growing body of research supporting AI-based solutions for respiratory diseases and other healthcare challenges.

 This study systematically evaluates the efficacy of advanced deep learning architectures, namely Vision Transformers ViT and various ResNet models ResNet50, ResNet101, ResNet152, in the classification of chest radiographs into four clinically significant diagnostic categories: Normal, Lung Opacity, Viral Pneumonia, and COVID-19. A meticulously curated dataset comprising 21,165 chest X-ray images was utilized to benchmark the models performance across key evaluation metrics, including precision, recall, F1-score and accuracy. The experimental evaluation reveals that ViT model achieved 90.25 accuracy, 91.56 precision, 89.22 recall, and a 90.25 F1-score. These findings highlight the potential of AI-driven approaches in augmenting medical diagnostics, improving diagnostic accuracy, and enhancing healthcare delivery, particularly in resource-limited settings. The study underscores the applicability of Vision Transformers in complex medical imaging tasks and contributes to the growing body of research supporting AI-based solutions for respiratory diseases and other healthcare challenges.

 Bu çalışma, gelişmiş derin öğrenme mimarilerinin  özellikle Vision Transformers ViT ve çeşitli ResNet modellerinin ResNet50, ResNet101, ResNet152  göğüs röntgenlerini Normal, Akciğer Opasitesi, Viral Pnömoni ve COVID-19 olmak üzere dört klinik açıdan önemli tanısal kategoriye sınıflandırmadaki etkinliğini sistematik olarak değerlendirmektedir. Modellerin performansını, hassasiyet, geri çağırma, F1-skora ve doğruluk gibi temel değerlendirme metrikleri üzerinden ölçmek amacıyla özenle hazırlanmış 21.165 göğüs X-ışını görüntüsünden oluşan bir veri seti kullanılmıştır. Deneysel değerlendirmeler, ViT modelinin 90.25 doğruluk, 91.56 hassasiyet, 89.22 geri çağırma ve 90.25 F1-skora elde ettiğini ortaya koymaktadır. Bu bulgular, yapay zeka temelli yaklaşımların tıbbi tanı süreçlerini güçlendirme, tanı doğruluğunu artırma ve özellikle kaynak kısıtlı ortamlarda sağlık hizmetlerinin sunumunu iyileştirme potansiyeline işaret etmektedir. Çalışma, karmaşık tıbbi görüntüleme görevlerinde Vision Transformersın uygulanabilirliğini vurgulamakta ve solunum yolu hastalıkları ile diğer sağlık sorunlarına yönelik yapay zeka temelli çözümleri destekleyen artan araştırma literatürüne katkıda bulunmaktadır.

Makale detayları

AI-powered diagnosis of respiratory diseases: Evaluating vision transformers and ResNet architectures for covid-19 and lung pathologies

Yazarlar:

Ahmet Solak

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Derin Öğrenme | Biyomedikal Görüntüleme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1385-1397

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001360275

pISSN:

2564-6605

Chest radiographs

COVID-19 diagnosis

Deep learning

ResNet

Vision transformer: Göğüs röntgenleri

COVID-19 tanısı

Derin öğrenme

ResNet

Vision transformer

Sayı

Makale detayları

Yazarlar: Ahmet Solak

Yayıncı: Nigde Omer Halisdemir University

Ana Başlıklar: Derin Öğrenme | Biyomedikal Görüntüleme

Dergi: Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1385-1397

Belge Tipi: Makale

Yayın Tarihi: 10/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001360275

pISSN: 2564-6605

Sayı

Yazarlar:

Ahmet Solak

Yayıncı:

Nigde Omer Halisdemir University

Ana Başlıklar:

Derin Öğrenme | Biyomedikal Görüntüleme

Dergi:

Niğde Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi Vol.14 Issue 4, pp.1385-1397

Belge Tipi:

Makale

Yayın Tarihi:

10/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001360275

pISSN:

2564-6605