Evrişimsel sinir ağları ile akciğer x-ray görüntülerinden COVID-19 tespiti ve hibrit model önerisi

2019 yılının sonunda ortaya çıkan COVID-19 salgını etkisini hala sürdürmektedir. Salgının ilk günlerinde virüse karşı herhangi bir ilaç bulunamamıştır. Zamanla geliştirilen pasif ve mRNA tabanlı aşıların; virüsün farklı mutasyonlarına karşı etkinliğinin değişkenlik göstermesi, olası yan etkilerinin bilinmemesi, toplumlarda aşı olmayan kişilerin bulunması, aşının tedariki ve saklanmasıyla ilgili yaşanması muhtemel problemler gibi göstergeler salgının yakın gelecekte sonlanmayacağını göstermektedir. Dünya Sağlık Örgütü'nün salgın ile mücadelede tavsiye kararları vermesine rağmen ülkeler virüse karşı farklı yöntemler izlemektedir. Fakat tüm farklılıklara rağmen izlenen ortak yöntem hastalığın tespiti ve izolasyonu şeklindedir. Bu yüzden koronavirüs tanısının doğru konması kritik öneme sahiptir. Dünya üzerinde hala test kitlerine ulaşamayan birçok ülkenin bulunması ve yeni bir alt yapı kurmanın kendine özgü zorlukları göz önüne alındığında ortaya konacak çözümün mevcut tıbbi kabiliyetleri kullanması oldukça önemlidir. Sağlık merkezlerinde standart ekipman kabul edilen, maliyet etkin ve kolay erişilebilir olan X-Ray görüntüleme yöntemi bu hususta umut vaat etmektedir. Tez kapsamında akciğer X-Ray görüntülerinden COVID-19 tespiti üzerine çalışılmıştır. X-Ray görüntülerinden diğer akciğer hastalıkları ile karıştırılabilen koronavirüs tespiti ancak uzman radyologlar tarafından yapılabilmektedir. İlgili problemlerin yüksek doğrulukta sınıflandırma yapabilen evrişimsel sinir ağlar ile aşılması mümkün gözükmektedir. Son zamanlarda birleştirilmiş sistemler yani birden çok sınıflandırıcıyı barındıran mimariler sağlık ve bilgisayarlı görüye ait gerçek dünya problemlerinde çok daha etkili sonuçlar ortaya koymaktadır. Bu mimarilerde toplam sistem hatasında düşüş elde edilirken daha başarılı sınıflandırmalar yapılmaktadır. İlgili çalışma kapsamında MobileNetV2, DenseNet121, InceptionResNetV2 ve Xception ağları kullanılarak ikili ve çoklu sınıflandırma performansları incelenmiştir. Sonraki adımda bu modeller topluluk öğrenmesi ile birleştirilerek daha etkili ikili ve çoklu sınıflandırma için hibrit model ortaya konmuştur.