Derin öğrenme ile radyolojik görüntüler üzerinden COVID-19 tespiti

Yeni Koronavirüs Hastalığı (COVID-19)dünya genelinde yayılım gösteren RNA tipi bir virüstür. İlk kez 2019 yılı Aralık ayında Çin'in Vuhan kentinde görülen COVID-19 hızlı bir şekilde yayılarak kısa sürede tüm dünya ülkelerinde görülmeye başlandı. Birçok ülke bu durumdan sağlık, ekonomik, sosyolojik ve psikolojik olarak olumsuz etkilenmiştir. Hastalığın teşhis konulmasında solunum yolu enfeksiyonları, ateş, öksürme, nefes darlığı gibi belirtiler önem arz etmektedir. 2019 yılından beri yaşanılan olumsuzlukları en aza indirmek için birçok yöntem üzerinde çalışılmıştır. Hastalığın insanlarda bıraktığı hasarı en aza indirmek için yapılacak en önemli işlem bir an önce, semptom taşıyanlara teşhis koyabilmektir. Belirtilen şüphelerle hastaneye başvuran hastalarda teşhis konulması için genellikle ilk uygulanan işlem, PCR'dır. Laboratuvar testlerinin, Röntgen ve Bilgisayarlı Tomografi görüntülerinin uzun zaman dilimlerinde sonuçlanması araştırmacıları başka teşhis yöntemlerine yönlendirmiştir. Bu tez çalışmasında hekimlere, Bilgisayarlı Tomografi (BT) görüntüleri üzerinden hastalığın tespiti için yardımcı olabilecek bir model tasarlanmıştır. Derin öğrenme temeline dayanan bu model COVID-19 pozitif (enfekte olmuş), COVID-19 negatif (sağlıklı) göğüs BT görüntüleri üzerinden sınıflandırma metoduyla hastalığı tespit etmeyi amaçlamaktadır. BT görüntülerinde oluşan buzlu cam diye tabir edilen pnömoni görülmesi teşhis işlemini hızlandırmaktadır. Tez çalışmasında kullanılan veri seti Tokat Gaziosmanpaşa Üniversitesi 23-KAEK-033 proje numaralı ve 83116987-092 sayılı etik kurul kararına göre alınan izinler neticesinde deneysel çalışmalar gerçekleştirilmiştir. Veri seti Tokat Gaziosmanpaşa Üniversitesi Araştırma ve Uygulama Hastanesi'nde muayene olan kişilerin BT görüntülerinden oluşmaktadır. Veri seti, ilgili poliklinik tarafından COVID-19 pozitif teşhisi girilmiş hastaların ve sağlıklı kişilerin BT görüntüleri üzerinden oluşturulmuştur. Elde edilen Bt görüntülerinden oluşturulan veri setinde ilk olarak dcm formatındaki görüntüler çalışma için daha uygun olan jpg formatına dönüştürüldü. Uzantıları düzenlenen görseller ile COVID-19 pozitif, COVID-19 negatif şeklinde iki klasör halinde sınıflar oluşturuldu. İsimleri karmaşık ve anlamsız yapılar olan görsellerde yeniden isimlendirme yapıldı. Veri işleme için hazır hale getirilen veri setinde AlexNet, Densenet201, GoogleNet, ResNet-50, Vgg16, EfficientNet gibi derin öğrenme modelleri ve önerilen model üzerinde eğitimler gerçekleştirilerek elde edilen başarı oranları üzerinde karşılaştırmalar yapılmıştır. Test verisi üzerinde Alexnet modeli ile % 88,81, DenseNet201 modeli ile % 86,16, EfficientNet modeli ile % 98,31, GoogleNet modeli ile % 95,52, Resnet-50 modeli ile % 94,02, VGG-16 modeli ile % 92,53 başarı oranı elde edilmiştir. Önerilen ESA modeline ait karışıklık matrisi incelendiğinde 375 COVID-19 pozitif hastasının 372'si doğru sınıflandırılmış 3'ü ise hatalı sınıflandırılmıştır. 375 sağlıklı örneğin 372'si doğru sınıflandırılmış 3'ü COVID-19 pozitif olarak hatalı sınıflandırılmıştır. Önerilen ESA modeli ile % 99,20 başarı oranı elde edilmiştir ve COVID-19 tespiti için etkili ve başarılı bir model önerilmiştir.