Çocuklukta zatürre hastalığının göğüs röntgen görüntülerinden derin öğrenme ile tespiti
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Hastalıkları otomatik olarak tespit etmeye yönelik çalışmaların popülaritesi her geçen gün artmaktadır. Son zamanlarda birçok araştırmacı, Derin Öğrenme (DL) kullanımının daha iyi algılama performansı ve daha kolay sınıflandırma süreci sergilediğini kanıtlamıştır. Bundan dolayı, DL tabanlı teşhis araştırma makalelerinin sayısı artmaya devam etmektedir. Bu çalışmada, solunum yolu hastalıklarından olan zatürre hastalığının erken tespiti için derin öğrenme modelleri önerilmektedir. Çocukluk çağı zatürresi, çocuk ölümlerinin önemli nedenlerinden biridir ve bu konuda doğru tespit kritik bir role sahiptir. Önerilen ağ modelleri, zatürre hastalığına sahip bireylerin ve sağlıklı bireylerin göğüs röntgen görüntüleri üzerinden eğitilmektedir. Böylece sistem Zatürre hastalığının erken teşhisine yardımcı olur. Bu modeller, iki sınıflı sınıflandırma modelini önermektedir. Modellerin eğitimleri öncesinde veri setine belirli ön işlem adımları uygulanmış ve SMOTE yöntemiyle veri arttırma işlemi gerçekleştirilmiştir. Bu yöntem ile her iki sınıfa ait eğitim veri setinin sayısı eşitlenmiştir. Böylece eğitimde sayıca fazla olan sınıfa eğilim azaltılmıştır ve aşırı uydurma önlenmiştir. Ağın eğitimi, derin öğrenme algoritmalarından CNN, RNN ve LSTM algoritmaları ile gerçekleştirilmiştir. Eğitimli modeller, zatürreyi CNN %97.23, RNN %89.23 ve LSTM %88.92 doğrulukla tespit etmiştir ve en son teknolojiden daha iyi performans gösterir.
The popularity of studies to automatically detect diseases is increasing day by day. Recently, many researchers have proven that the use of Deep Learning (DL) exhibits better detection performance and easier classification process. Therefore, the number of DL-based diagnostic research articles continues to increase. In this study, deep learning models are recommended for the early detection of pneumonia, which is one of the respiratory tract diseases. Childhood pneumonia is one of the important causes of child mortality and accurate detection has a critical role in this regard. The proposed network models are trained on chest X-ray images of individuals with pneumonia and healthy individuals. Thus, the system helps in the early diagnosis of Pneumonia disease. These models propose the two-class classification model. Before the training of the models, certain preprocessing steps were applied to the data set and data augmentation was carried out with the SMOTE method. With this method, the number of training data sets belonging to both classes is equalized. Thus, the tendency to the more numerous classes in education is reduced and overfitting is prevented. The training of the network was carried out with CNN, RNN and LSTM algorithms from deep learning algorithms. Trained models detected pneumonia with CNN 97.23%, RNN 89.23% and LSTM 88.92% accuracy, outperforming the latest technology.
The popularity of studies to automatically detect diseases is increasing day by day. Recently, many researchers have proven that the use of Deep Learning (DL) exhibits better detection performance and easier classification process. Therefore, the number of DL-based diagnostic research articles continues to increase. In this study, deep learning models are recommended for the early detection of pneumonia, which is one of the respiratory tract diseases. Childhood pneumonia is one of the important causes of child mortality and accurate detection has a critical role in this regard. The proposed network models are trained on chest X-ray images of individuals with pneumonia and healthy individuals. Thus, the system helps in the early diagnosis of Pneumonia disease. These models propose the two-class classification model. Before the training of the models, certain preprocessing steps were applied to the data set and data augmentation was carried out with the SMOTE method. With this method, the number of training data sets belonging to both classes is equalized. Thus, the tendency to the more numerous classes in education is reduced and overfitting is prevented. The training of the network was carried out with CNN, RNN and LSTM algorithms from deep learning algorithms. Trained models detected pneumonia with CNN 97.23%, RNN 89.23% and LSTM 88.92% accuracy, outperforming the latest technology.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
