COVID-19 hastalığının derin öğrenme yöntemleri kullanılarak tespiti

2019 yılının son günlerinde Çin'in Hubei eyaletinin Wuhan kentinde ortaya çıkan SARS-CoV-2 virüsü, dünya çapında ciddi bir salgına neden olmuştur. Zoonotik kökenli olduğu değerlendirilen SARS-CoV-2 virüsü ilk olarak Çin'i etkisi altına almıştır. İlerleyen günlerde söz konusu virüsün diğer ülkelere de yayılmasıyla Dünya'nın bütün ülkeleri ciddi biçimde salgından etkilenmeye başlamıştır. SARS-CoV-2 virüsü hastalarda solunum sıkıntısına neden olmaktadır. Söz konusu virüsün insanlarda neden olduğu zatürre, Dünya Sağlık Örgütü (DSÖ) tarafından COVID-19 (Coronavirus Disease-2019) hastalığı olarak isimlendirilmiştir. COVID-19 hastalığının yaygın semptomları ateş, öksürük, nefes darlığı, kas ağrısı ve halsizlik olarak sıralanmaktadır. Hastalığın genel olarak akciğer üzerinde oldukça ağır ve olumsuz etkileri vardır. Bilgisayarlı Tomografi (BT) ve X-ray görüntüleme, bir bakteri veya virüsün neden olduğu zatürrenin teşhisi ve klinik değerlendirmesi için önemli radyolojik bilgiler sağlamaktadır. COVID-19 hastalığının ortaya çıkmasından sonra söz konusu görüntüleme yöntemleri bu hastalığın radyolojik olarak görüntülenmesinde de yaygın olarak kullanılmaya başlamıştır. COVID-19 hastalığı akciğer üzerinde interstisyel tutuluma, iki taraflı ve düzensiz buzlu cam opasitelerine ve parankimal apselere neden olmaktadır. Bu radyolojik belirtiler BT ve X-ray görüntüleri üzerinden gözlemlenebilmektedir. Ayrıca, COVID-19 hastalığının radyolojik semptomları ile diğer viral veya bakteriyel zatürrelerin radyolojik semptomlarında bazı farklılıklar vardır. COVID-19 hastalığının en yaygın teşhisi, Ters Transkripsiyon-Polimeraz Zincir Reaksiyonu (TT-PZR) testi ile yapılmaktadır. Bu test genellikle birkaç saat içinde sonuç vermektedir. Ancak, TT-PZR testinin COVID-19 hastalığına sebep olan SARS-CoV-2 virüsünün tespitindeki duyarlılığı oldukça düşüktür. Yani, gerçekte virüs taşıyanlar söz konusu test ile sıklıkla yanlış teşhis edilebilmektedir. Bu sebeple DSÖ, sadece TT-PZR testi pozitif olan vakaların değil, TT-PZR sonucu negatif olmasına rağmen radyolojik veya klinik semptomlarla bu virüsü taşıdığı tespit edilen vakaların da doğrudan bildirilmesini şart koşmaktadır. COVID-19 salgınının kontrol altına alınmasında en önemli faktörlerden biri virüsü taşıyan hastaların hızlı teşhis edilmesi ve izolasyonudur. TT-PZR testinin sonuç vermesinin saatler alması virüsü taşıyan kişilerin hızlı şekilde izole edilmesini zorlaştırmaktadır. Ayrıca, testin duyarlılığının düşük olması virüsü taşıyan kişilerin yanlış teşhis edilmesine bağlı olarak bulaş oranlarını yükseltmektedir. Bu durum COVID-19 salgını ile mücadele konusunda radyolojik görüntülemenin etkili şekilde kullanılmasını ve görüntülerin otomatik olarak değerlendirilmesini bir zorunluluk haline getirmektedir. Tez çalışmasında söz konusu ihtiyaçlara cevap vermek için derin öğrenme temelli yapay zekâ uygulamaları gerçekleştirilmiştir. Tez çalışması toplam yedi adet uygulama içermektedir. Birinci uygulamada BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Uygulamada klasik makine öğrenme yöntemleri olan Destek Vektör Makinesi ve k-En Yakın Komşu ile derin öğrenme yöntemi olan İki Boyutlu (2B) Evrişimli Sinir Ağları (ESA) mimarilerinin sınıflandırma performansları karşılaştırılmıştır. 2B ESA olarak uygulamada oluşturulmuş 23 katmanlı bir mimari ile transfer öğrenme AlexNet ve MobileNetV2'den yararlanılmıştır. Uygulamada doğrudan orijinal görüntülerin yanı sıra ön işlem olarak Gri Seviye Eş-oluşum Matrisi, Yerel İkili Desenler (YİD) ve Lokal Entropi (LE) kullanılarak elde edilen özellik görüntüleri için de sınıflandırma işlemi yapılmıştır. Ayrıca, tüm bu orijinal ve özellik görüntülerinin ikili, üçlü ve dörtlü olarak birleştirilmesi için deneyler tekrarlanmıştır. Uygulamada gerçekleştirilen deneyler iki kat çapraz doğrulama ve on kat çapraz doğrulama olmak üzere iki farklı eğitim ve test prosedürü ile gerçekleştirilmiştir. Tez çalışmasının bu uygulamasında ayrıca, veri artırımının uygulama sonuçlarına etkisi incelenmiştir. Bu kapsamda görüntülerin veri artırma teknikleri ile beş, on ve yirmi kat artırılması durumu için 23 katmanlı 2B ESA mimarisiyle iki kat çapraz doğrulama prosedürüne göre deneyler gerçekleştirilmiştir. Uygulama sonuçları özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığını göstermektedir. Tez çalışmasının ikinci uygulamasında BT görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması ile COVID-19 zatürresi ve diğer zatürre sınıflandırması olmak üzere iki başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 24 katmanlı bir 2B ESA mimarisinden yararlanılmıştır. Uygulamada orijinal BT görüntülerinin doğrudan kullanılması ve orijinal görüntülere ön işlem olarak YİD uygulanması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak Kompleks Değerli Dalgacık Dönüşümü (KDDD) uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılması durumu için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada son olarak orijinal BT görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan Veri Akış Hattı (VAH) yaklaşımlarının başarıları analiz edilmiştir. Uygulamanın deneyleri on kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanılmasına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceğine işaret etmektedir. Tez çalışmasının üçüncü uygulamasında BT görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre olmak üzere üç sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisi kullanılmıştır. Uygulamada kullanılan COVID-19 görüntülerinden 810 tanesi Konya Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/326 sayılı etik kurul kararı) elde edilmiştir. Uygulamada doğrudan orijinal BT görüntüleri ve ön işlem olarak YİD uygulanarak elde edilen özellik görüntüleri için dört kat çapraz doğrulama esasına göre deneyler gerçekleştirilmiştir. Ayrıca, ikinci uygulamaya benzer şekilde VAH yaklaşımı kullanılarak sonuçlar birleştirilmiştir. Üçüncü uygulama sonuçları da VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, VAH yaklaşımında YİD özellik görüntüleri kullanılmasının yanlış sınıflandırılan görüntülerin sayısının azaltılmasında daha etkili olduğuna işaret etmektedir. Tez çalışmasının dördüncü uygulamasında ilk üç uygulamadan farklı olarak BT görüntüler üzerinden COVID-19 hastalık tespitini yerine COVID-19 zatürre seviyesinin sınıflandırılmasına odaklanılmıştır. Uygulamada kullanılan BT görüntüleri COVID-19 görüntüleri Selçuk Üniversitesi Tıp Fakültesi Hastanesi'nden (27.07.2020 tarih ve 220/327 sayılı etik kurul kararı) elde edilmiştir. Uygulamada sınıflandırma işlemleri MobileNetV2, ResNet-101, Xception, InceptionV3, GoogleNet, EfficientNetB0, DenseNet-201 ve DarkNet-53 olmak üzere toplam sekiz farklı transfer öğrenme 2B ESA mimarisi kullanılarak gerçekleştirilmiştir. En yüksek başarıyı gösteren transfer öğrenme 2B ESA mimarilerinin sonuçları VAH yaklaşımı kullanılarak birleştirilerek yeni sınıflandırma sonuçları hesaplanmıştır. Uygulamada eğitim ve test işlemleri beş kat çapraz doğrulama kullanılarak gerçekleştirilmiştir. Dördüncü uygulama sonuçları ESA mimarileri kullanılarak COVID-19 zatürrre seviyesinin başarılı şekilde sınıflandırılabileceğine işaret etmektedir. Ayrıca, VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Tez çalışmasının beşinci uygulamasında X-ray görüntüleri üzerinden COVID-19 ve COVID-19 değil sınıflandırılması gerçekleştirilmiştir. Sınıflandırma için uygulama kapsamında oluşturulmuş 23 katmanlı ve 54 katmanlı iki farklı 2B ESA mimarisinden yararlanılmıştır. Beşinci uygulamada, ikinci uygulamaya benzer şekilde, orijinal X-ray görüntülerinin doğrudan kullanılması ve ön işlem olarak YİD uygulanarak kullanılması durumu için deneyler gerçekleştirilmiştir. Ayrıca, ikincil işlem olarak KDDD uygulanmasıyla elde edilen görüntü alt bantlarının tek başlarına ve kombinasyonlar halinde kullanılmasıyla sınıflandırma işlemleri yapılmıştır. Uygulamada son olarak orijinal X-ray görüntüleri kullanılarak elde edilen sonuçlar ile ön işlem olarak YİD uygulanarak elde edilen sonuçların birleştirilmesini sağlayan VAH yaklaşımlarının başarıları analiz edilmiştir. Uygulamada deneyler iki kat çapraz doğrulama ve yirmi üç kat çapraz doğrulama prosedürü kullanılarak gerçekleştirilmiştir. Uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir. Ayrıca, KDDD kullanılarak görüntü boyutlarının başarılı şekilde azaltılabileceği ve VAH kullanımına bağlı olarak oluşan zaman maliyetinin ortadan kaldırılabileceği anlaşılmaktadır. Tez çalışmasının altıncı uygulamasında X-ray görüntüleri üzerinden COVID-19 ve sağlıklı, COVID-19 zatürresi ve bakteriyel zatürre, COVID-19 zatürresi ve viral zatürre ile COVID-19 zatürresi ve diğer zatürre olmak üzere toplam dört başlıkta iki sınıflı sınıflandırma gerçekleştirilmiştir. Uygulamada orijinal X-ray görüntülerinin tek başına kullanılmasının yanı sıra ön işlem olarak YİD ve LE uygulanarak elde edilen görüntüler için de sınıflandırma sonuçları hesaplanmıştır. Orijinal görüntüler, YİD ve LE görüntülerinin çeşitli kombinasyonlarda birleştirilmesiyle elde edilen görüntüler için sınıflandırma işlemleri tekrarlanmıştır. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA ve Üç Boyutlu (3B) ESA mimarilerinden yararlanılmıştır. Uygulamada transfer öğrenme 2B ESA mimarisi olarak MobileNetV2, ResNet-101 ve GoogleNet mimarileri kullanılmıştır. 3B ESA için ise uygulama kapsamında 24 katmanlı bir mimari tasarlanmış ve kullanılmıştır. Uygulamanın eğitim ve test işlemleri beş kat çapraz doğrulama ile gerçekleştirilmiştir. Uygulama sonuçları 3B ESA mimarisinin transfer öğrenme 2B ESA mimarilerine göre daha yavaş ancak daha başarılı olduğunu göstermektedir. Ayrıca, özellik görüntülerinin orijinal görüntülerle birlikte kullanılmasının sonuçlara önemli katkılar sağladığına işaret etmektedir. Tez çalışmasının yedinci uygulamasında X-ray görüntüleri üzerinden COVID-19 zatürresi, sağlıklı ve diğer zatürre ile COVID-19 zatürresi, sağlıklı, bakteriyel zatürre ve viral zatürre olmak üzere toplam iki başlıkta sırasıyla üç sınıflı ve dört sınıflı otomatik sınıflandırma gerçekleştirilmiştir. Uygulamada sınıflandırıcı olarak transfer öğrenme 2B ESA kullanılmıştır. Bu kapsamda MobileNetV2, ResNet-101, GoogleNet, Xception, DenseNet-201, EfficientNetB0 ve InceptionV3 olmak üzere toplam yedi adet transfer öğrenme 2B ESA mimarisinden yararlanılmıştır. Uygulamada doğrudan orijinal X-ray görüntüleri kullanılarak sınıflandırma sonuçları elde edilmiş olup ön işlem olarak YİD ve LE uygulanarak elde edilen özellik görüntüleri kullanılarak da sınıflandırma işlemleri gerçekleştirilmiştir. Ayrıca, VAH yaklaşımı kullanılarak daha önce elde edilen sonuçlar birleştirilmiş ve yeni sınıflandırma sonuçları elde edilmiştir. Uygulamada eğitim ve test işlemleri dört kat çapraz doğrulama kullanılarak yapılmıştır. Yedinci uygulama sonuçları VAH yaklaşımlarının sonuçların iyileştirilmesine önemli katkılar sağladığını göstermektedir.