BT tarama görüntülerinden gama düzeltme ve xgboost ilegeliştirilmiş CNN kullanılarak çok düzeyli covıd-19enfeksiyonunun ölçümü ve tespiti

Radyasyon teşhisi alanı, yapay zekâ (AI), bilgisayarlı görüş ve gelişmiş tıbbi görüntüleme teknikleri gibi yenilikçi teknolojilerin desteklediği hızlı ilerlemelerden geçmektedir. Bu dinamik ortamda bilgisayarlı tomografi (BT) görüntüleme, özellikle hem COVID-19 hem de akciğer tümörleriyle ilişkili klinik değişikliklerin tanımlanmasında öne çıkan bir yöntem olarak ortaya çıkmıştır. Göğüs röntgeni, çeşitli tıbbi görüntüleme teknikleri ve BT taramalarının kullanımı, COVID-19'un hızlı ve doğru tanısı için pratik ve etkili bir araç olarak önerilmiştir. Özellikle BT taramaları, aşırı koşullar altında yanlış negatif sonuçların ortaya çıkabileceği durumlarda bile, COVID-19'un varlığını tespit etmede yüksek hassasiyet göstermiştir. Ancak COVİD-19 pozitifliğini belirlemek için röntgen ve BT görüntülerinin uzmanlar tarafından analiz edilmesi zaman alıcı ve zorlu bir süreçtir. Bu çalışma, zorlukların üstesinden gelmek ve teşhis sürecini iyileştirmek için evrişimli sinir ağlarının (CNN'ler) uygulanmasını ele alıyor. Bu CNN'ler, transfer öğrenimi yoluyla elde edilen bir başarı olan ilgisiz öğeleri filtrelerken görüntüleri doğru bir şekilde kategorize etmede çok önemli bir rol oynuyor. Transfer öğreniminde önceden var olan yöntemler, ImageNet gibi kapsamlı veri kümelerinden temel özellikleri toplayarak bunları yeni görevlere etkili bir şekilde uygular. Makine öğrenimi tekniklerindeki ilerlemelere rağmen, CNN'lerin etkinliği hala CT görüntülerinden ilgili niteliklerin çıkarılmasına bağlıdır. Bu nedenle çalışma, göğüs BT taramaları ve X-ışını görüntülerinin kullanımının, COVID-19'u tespit etmek için önemli bir potansiyele sahip olduğunu ve bu potansiyelin, DenseNet, ResNet ve VGG-16 gibi önceden eğitilmiş CNN'ler kullanılarak daha da artırılabileceğini öne sürüyor. İki farklı veri kümesinden (Covid Veri 1 ve Covid Veri 2) elde edilen sonuçlar ile CNN net ve XGBoost sınıflandırıcısını içeren çeşitli modellerin sonuçları karşılaştırıldı ve analiz edildi. Her iki veri kümesinde de XGBoost, görüntü boyutu ve eğitim ayarlarından bağımsız olarak doğruluk açısından sürekli olarak CNN ağını geride bırakıyor. Covid Veri 1, test edilen tüm modellerde ve ayarlarda genellikle Covid Veri 2'ye kıyasla daha yüksek doğruluk sergiliyor. Özellikle XGBoost, GC (ϒ=1.5) ile eğitildiğinde ve 128x128 ve 256x256 piksel görüntü boyutlarını kullandığında, Covid Veri 1 için %97.94'e ve Covid Veri 2 için %97.76'ya ulaşarak en yüksek doğruluğu elde ediyor. Öte yandan CNN ağı, hem GC'siz hem de 256x256 piksel görüntü boyutlarını kullanarak, en yüksek oranlar Covid Veri 1 için %79.54 ve Covid Veri 2 için %79.74 olmak üzere daha düşük doğruluk oranları elde ediyor. Bu nedenle, sağlanan sonuçlara göre XGBoost sınıflandırıcı, sınıflandırma görevleri için üstün bir seçim gibi görünüyor; modeller ve ayarlar genelinde tutarlı olarak daha yüksek doğruluk oranı nedeniyle tercih edilen veri seti ise Covid Veri 1'dir. Çalışma, bu modelin tanı amaçlı terapötik uygulamasına yönelik önemli ilerlemeler kaydederken, potansiyelini tam olarak gerçekleştirmek için daha fazla araştırmaya ihtiyaç duyulduğunu da kabul ediyor. Gelecekteki araştırmaların gama düzeltme ve ön işleme araçlarını kullanan ek tasarımları keşfetmesi bekleniyor. Daha karmaşık platformları eğitmek için daha büyük bir GPU bellek sınırına izin veren model eğitim seçeneklerine ilişkin hususlar önerilmektedir. Bu, gelişmiş yetenekler için başlangıç modüllerinin ve birden fazla yoğun katmanın dahil edilmesini içerebilir. Çalışmada özetlenen bir sonraki araştırma alanı, belirli mimari tarzların belirli rahatsızlıkların tedavisinde daha etkili olup olmadığını belirlemeyi amaçlayan çeşitli rahatsızlıkların sınıflandırılmasına odaklanmaktadır. Farklı hastalıklarla ilgili performans farklılıklarını araştırmak, altta yatan nedenlere dair içgörü sağlayabilir. Ek olarak, analiz sürecini geliştirmek ve model performansının daha kapsamlı ve sağlam bir şekilde değerlendirilmesini sağlamak için k-fold veri bölme gibi alternatif veri bölme yöntemleri önerilmektedir.