BİLGİSAYARLI TOMOGRAFİ GÖRÜNTÜLERİ ÜZERİNDE DERİN ÖĞRENME TABANLI COVID-19 TEŞHİSİNE YÖNELİK HEKİM KARAR DESTEK SİSTEMİ TASARIMI

Abstract

COVID-19 pandemisi tüm dünyayı birçok yönden olumsuz etkilemektedir. Ortaya çıktığı günden bu yana olumsuzluklarının çözümü için çeşitli yöntem ve yaklaşımların geliştirilmesine neden olmuştur. Bu çözüm arayışlarının ortak hedefi, COVID-19'un zararlarını en aza indirgeyebilmektir. Bu tez çalışmasında radyoloji uzmanlarına, göğüs bilgisayarlı tomografi görüntülerinden COVID-19 hastalığının tespit edilmesi sürecinde yardımcı olması için derin öğrenme tabanlı bir sistem tasarlanmıştır. Derin öğrenme tabanlı bu sistem sınıflandırma ve anlamsal bölütleme yeteneğine sahip iki farklı model üzerine kurgulanmıştır. Sınıflandırma yeteneğinin bilgisayara kazandırılması ve COVID-19 pozitif veya COVID-19 negatif bulgularına sahip göğüs bilgisayarlı tomografi görüntülerinin ayırt edilmesinde EfficientNet model ailesi üyelerinden yararlanılmıştır. Sekiz farklı EfficientNet model ailesi üyesi, T.C Sağlık Bakanlığı tarafından verilen izin sayesinde gerçek hasta görüntüleriyle oluşturduğumuz EFSCH-19 adlı veri seti örnekleriyle eğitilmiştir. Eğitim süreci sonucunda gerçekleştirilen test aşamasında %99.75 doğruluk, %99.50 duyarlılık, %100 kesinlik, %100 özgüllük, %99.75 F1-Skoru ve %99.50 MCC oranına ulaşan EfficientNet-B2 modeli sınıflandırıcı derin öğrenme modeli olarak seçilmiştir. Sınıflandırıcı derin öğrenme modeline giriş olarak verilen göğüs BT görüntüsü, çıkışta ikili sınıflandırma yöntemine uygun olarak COVID-19 pozitif veya COVID-19 negatif olarak tahmin edilmektedir. Anlamsal bölütleme yeteneğinin bilgisayara kazandırılabilmesi için göğüs BT görüntülerinde yer alan piksellerin hangi sınıfa ait olduğu bilgisi tanımlanmalıdır. Bu kapsamda EFSCH-19 veri setinde yer alan 200 adet göğüs bilgisayarlı tomografi görüntüsüne karşılık maske görselleri radyoloji uzmanı tarafından elle işaretlenerek EFSCH-19-Seg adını verdiğimiz ikinci veri seti oluşturulmuştur. Oluşturulan maske görsellerinde akciğer alanları, enfeksiyon alanları ve geriye kalan diğer alanları temsil etmek üzere üç adet farklı piksel değeri bulunmaktadır. EFSCH-19-Seg veri seti yardımıyla U-Net model eğitimleri gerçekleştirilmiştir. Bu eğitimlerde U-Net modelinin varsayılan kodlayıcı ağı yerine ResNet model ailesinde yer alan beş farklı modelden yararlanılmıştır. Resnet-50 tabanlı U-Net modeli diğer modellere kıyasla %93.76 Jaccard indeksi ve %96.61 Dice skoru değerleriyle test aşamasını en iyi tamamlayan model olmuştur. Bu tez kapsamında, sınıflandırma ve anlamsal bölütleme görevleri için elde edilen başarılı sonuçlar neticesinde COVID-19 pandemisiyle mücadelede hızlı bir şekilde sahaya entegre edilebilecek bir hekim karar destek sistemi önerilmiştir.

COVID-19 pandemic negatively affects the whole world in many ways. Since its emergence, it has led to the development of various methods and approaches for the solution of its negativities. The common goal of these search for solutions is to minimize the damages of COVID-19. In this thesis, a deep learning-based system was designed to assist radiologists in the process of detecting COVID-19 disease from chest computed tomography images. This deep learning-based system is built on two different models capable of classification and semantic segmentation. Members of the EfficientNet model family were used to gain the classification capability of the computer and to distinguish the chest computed tomography images with COVID-19 positive or COVID-19 negative findings. Eight different EfficientNet model family members were trained with the EFSCH-19 dataset samples, which we created with real patient images, thanks to the permission given by the Ministry of Health of the Republic of Turkey. EfficientNet-B2 model, which reached 99.75% accuracy, 99.50% sensitivity, 100% precision, 100% specificity, 99.75% F1-Score and 99.50% MCC rate, was chosen as the classifier deep learning model in the test phase carried out as a result of the training process. The chest computed tomography image, which is given as input to the classifier deep learning model, is estimated as COVID-19 positive or COVID-19 negative by the binary classification method at the output. In order to gain the semantic segmentation capability of the computer, the information of which class the pixels in the chest computed tomography images belong to must be defined. In this context, the mask images were manually marked by the radiologist with 200 chest computed tomography images in the EFSCH-19 dataset, and the second dataset, which we named EFSCH-19-Seg, was created. In the mask images created, there are three different pixel values to represent lung areas, infection areas and the remaining areas. U-Net models trainings was carried out with the help of the EFSCH-19-Seg dataset. In these trainings, instead of the default encoder network of the U-Net model, five different models in the ResNet model family were used. Compared to other models, the ResNet-50-based U-Net model was the model that best completed the test phase with 93.76% Jaccard index and 96.61% Dice score values. In this thesis, as a result of the successful results obtained for classification and semantic segmentation tasks, a physician decision support system that can be quickly integrated into the field in the fight against the COVID-19 pandemic has been proposed.