Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması

Zehra Kadiroğlu; Erkan Deniz; Abdurrahman Şenyiğit

Makale detayları

Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması

Yazarlar:

Zehra Kadiroğlu | Erkan Deniz | Abdurrahman Şenyiğit

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.729-740

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301419

pISSN:

1300-1884

Anahtar kelimeler:

Özet:

 Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni CXR olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoninin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının ESA ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2 kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri DVM sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan 99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı 97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi 94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.

 Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni CXR olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoninin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının ESA ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2 kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri DVM sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan 99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı 97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi 94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.

 Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni CXR olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoninin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının ESA ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2 kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri DVM sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan 99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı 97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi 94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.

 Pnömoni, akciğer dokusunda ciddi iltihaplanmalara sebep olabilen akut alt solunum yolu hastalıklarından biridir. Pnömoni tanısı için en yaygın klinik yöntem göğüs röntgeni CXR olmakla beraber, CXR görüntülerinden pnömoni teşhisi, uzman radyologlar için bile zor bir iştir. Derin öğrenme tabanlı görüntü işlemenin, pnömoninin otomatik teşhisinde etkili olduğu literatürdeki çalışmalarda gösterilmiştir. Bu çalışmada pnömoni ve sağlıklı CXR görüntülerini sınıflandırmak için derin öğrenmeye dayalı yaklaşımlar kullanılmıştır. Bu yaklaşımlar, derin öznitelik çıkarımı, önceden eğitilmiş evrişimli sinir ağlarının ESA ince ayarı ve geliştirilmiş bir ESA modelinin uçtan uca eğitimidir. Derin öznitelik çıkarımı ve transfer öğrenme için 10 farklı önceden eğitilmiş ESA modelleri AlexNet, ResNet50, DenseNet201, VGG16, VGG19, DarkNet53, ShuffleNet, Squeezenet, NASNetMobile ve MobileNetV2 kullanılmıştır. Derin özniteliklerin sınıflandırılması için Destek Vektör Makineleri DVM sınıflandırıcısı kullanılmıştır. İnce ayarlı MobileNetV2 modelinin başarısı, elde edilen tüm sonuçlar arasında en yüksek olan 99,25 doğruluk puanı üretmiştir. AlexNet modelinden çıkarılan derin özniteliklerin 10 kat çapraz doğrulama test başarısı 97,8 bulunurken, geliştirilen 21 katmanlı ESA modelinin uçtan uca eğitimi 94,25 sonuç vermiştir. Bu çalışmada kullanılan veri seti, Dicle Üniversitesi Tıp Fakültesi Göğüs Hastalıkları ve Tüberküloz kliniği ile yoğun bakım ünitesinden ve göğüs polikliniğinden elde edilen pnömonili ve sağlıklı CXR görüntülerinden oluşmaktadır.

Makale detayları

Göğüs röntgen görüntülerinde pnömoni tespiti için derin öğrenme modellerinin karşılaştırılması

Yazarlar:

Zehra Kadiroğlu | Erkan Deniz | Abdurrahman Şenyiğit

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.729-740

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301419

pISSN:

1300-1884

Pnömoni

Evrişimsel Sinir Ağları

Derin Öznitelik Çıkarımı

Transfer Öğrenme

Göğüs Röntgen GörüntüleriPnömoni

Evrişimsel Sinir Ağları

Derin Öznitelik Çıkarımı

Transfer Öğrenme

Göğüs Röntgen Görüntüleri

Sayı

Makale detayları

Yazarlar: Zehra Kadiroğlu | Erkan Deniz | Abdurrahman Şenyiğit

Yayıncı: Gazi University

Ana Başlıklar: Mühendislik

Dergi: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.729-740

Belge Tipi: Makale

Yayın Tarihi: 11/2023

Belge Dili: Türkçe

Document ID (Org No.): 2001301419

pISSN: 1300-1884

Sayı

Yazarlar:

Zehra Kadiroğlu | Erkan Deniz | Abdurrahman Şenyiğit

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.729-740

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301419

pISSN:

1300-1884