W+-Net: Derin Öğrenme Tabanlı W+-Net: Derin Öğrenme Tabanlı Görüntü Segmentasyonu ile Covid19 Tespiti ile Covid19 Tespiti

Abstract

2019 yılında Çin’in Wuhan kentinde ortaya çıkan Covid19 hastalığı kısa sürede tüm dünyayı etkisi altına almış ve pandemi olarak nitelendirilmiştir. Hastalığın akciğerde ortaya çıkarak yakalanan kişilerde ölümcül etkiler oluşturması nedeniyle tüm dünyada ciddi tedbirlerin alınmasına sebep oluştur. Tüm dünyayı kısa sürede etkisine alması ve ölümlerin hızla artması tedavinin de hızlı bir şekilde bulunmasına neden olmuştur. Hastalık tespitinde yapay zekâ destekli çalışmaların artması enfekte olan kişilerde ki anomalilerin tespitinde derin öğrenme tabanlı görüntü segmentasyonunun teşhis işlemlerinde önemli bir çözüm oluşturabileceğini göstermiştir. Yapılan bu çalışmada W-Net+ olarak nitelendirilen uyarlanmış bir mimari önerilmektedir. Önerilen bu mimari U-Net ve W-Net mimarileriyle kıyaslanmış ve başarımları deneysel sonuçlarla gösterilmiştir. Yapılan bu çalışmada Covid 19 anomolilerin tespitinde önerdiğimiz yöntemin diğer yöntemlere göre daha başarılı olduğu açık bir biçimde görülmektedir.The Covid19 disease, which emerged in Wuhan, China in 2019, quickly affected the entire world and was described as a pandemic. Since the disease occurs in the lungs and causes fatal effects in those who catch it, it has caused serious precautions to be taken all over the world. The fact that it affected the entire world in a short time and the rapid increase in deaths has also led to the rapid discovery of a treatment. The increase in artificial intelligence-supported studies in disease detection has shown that deep learning-based image segmentation can be an important solution in diagnostic processes in the detection of anomalies in infected people. In this study, an adapted architecture called W-Net+ is proposed. This proposed architecture has been compared with U-Net and W-Net architectures and its successes have been demonstrated with experimental results. In this study, it is clearly seen that the method we proposed is more successful than other methods in detecting Covid-19 anomalies.