COMPARISON OF DEEP LEARNING METHODS IN MEDICAL IMAGE CLASSIFICATION

Abstract

Günümüzde, mevcut görüntüleme teknikleri, tıptaki teknolojik gelişmeler nedeniyle Covid-19 ve Pnömoni gibi rahatsızlıkların teşhis edilmesi için araçlar sunmaktadır. Bununla birlikte, özellikle salgının patlak verdiği bir dönemde yeterli tıbbi uzmanın bulunmaması, erken teşhis ve tedavilerde ciddi zorluklara yol açarak komplikasyonlara ve beklenmedik ölümlere yol açmaktadır. Bu tez çalışmasında, ikili ve üçlü sınıflandırma için CNN modeli, VGG16 + XGBoost, ve VGG + SVM modeli kullanılmıştır. Dataset-A 6.432 farklı göğüs röntgeni (CXR) görüntüsü (Normal, Covid- 19 ve Pnömoni sınıfları) içermektedir. Ardından, 7.000 görüntülü (Normal ve Covid-19'dan oluşan) Dataset-B üzerinde ikili sınıflandırma için önceden eğitilmiş ResNet50, Xception ve DenseNet201 modelleri kullanılmıştır. Önerilen CNN modeli, %98.91'lik bir test doğruluğu elde etmiştir. Daha sonra hibrit modeller (VGG16 + XGBoost ve VGG16 + SVM) sırasıyla %98,44 ve %95,60 doğruluk oranlarına ulaşmıştır. Parametre ayarlamaları yapılmış ResNet50, Xception ve DenseNet201 modelleri sırasıyla %98,90, %99,14 ve %99,00 doğruluk elde etmiştir. Son olarak, modeller çeşitli çalışmalarla yeniden değerlendirilerek test edilmiş ve etkileyici sonuçlar elde edilmiştir. Elde edilen sonuçlar, modellerin erken hastalık teşhisi ve tedavisi için sağlam araçlarla radyologlara yardımcı olabileceğini göstermektedir.Nowadays, current medical imaging techniques provide means of diagnosing disorders like the recent Covid-19 and Pneumonia due to technological advancements in medicine. However, the lack of sufficient medical experts, particularly amidst the breakout of the epidemic, poses severe challenges in early diagnoses and treatments, resulting in complications and unexpected fatalities. In this thesis study, a CNN model, VGG16 + XGBoost, and VGG16 + SVM, were used for three-class image classification on a generated dataset named Dataset-A with 6,432 chest X-Ray (CXR) images (containing Normal, Covid-19, and Pneumonia classes). Then, pre-trained ResNet50, Xception, and DenseNet201 models were employed for binary classification on Dataset-B with 7,000 images (consisting of Normal and Covid-19). The suggested CNN model achieved a test accuracy of 98.91 %. Then the hybrid models (VGG16 + XGBoost and VGG16 + SVM) gained accuracies of 98.44 % and 95.60 %, respectively. The fine-tuned ResNet50, Xception, and DenseNet201 models achieved accuracies of 98.90 %, 99.14 %, and 99.00 %, respectively. Finally, the models were further evaluated and tested, yielding impressive results. These outcomes demonstrate that the models can aid radiologists with robust tools for early disease diagnoses and treatment.