DERİN ÖĞRENME YÖNTEMLERİ İLE CXR GÖRÜNTÜLERİNDEN COVID-19/ZATÜRRE/NORMAL SINIFLANDIRMASI VE U-NET TABANLI COVID-19 BÖLÜTLEMESİ

Abstract

2019 yılının Aralık ayında Çin'de ortaya çıkan koronavirüs isimli Covid-19 hastalığı, tüm dünyada kısa sürede pandemi haline gelmiştir. Özellikle akciğerlere verdiği hasarlar ile ölümle sonuçlanabilen bu virüsün teşhisi için Transkripsiyon Polimeraz Zincir Reaksiyonu (RT-PCR) testinin yanlış negatifler üretmesi ve teşhis süresinin uzun olması yeni alternatifler aramaya sebep olmuştur. Bu nedenle göğüs görüntülerinin Bilgisayarlı Tomografi veya CXR görüntüleme tekniklerinden elde edilen verilerle göğüs görüntülerinden teşhis sağlanması için uygun araçlar olmuştur. Bu araçlar ile teşhis sağlanması Covid-19 ve Zatürre hastalığının enfeksiyonlu bölgesinin belirlenmesi için derin öğrenme çalışmaları önerilmiştir. Bu tez çalışmasında segmentasyon ve sınıflandırma olarak iki aşamalı bir sistem önerilmiştir. Segmentasyon işleminde etiketli verilerden segmente edilen enfekte bölgeler belirlenmiştir. Sınıflandırıcı aşamasında ise VGG16, ResNet50 ve InceptionV3 isimli üç farklı derin öğrenme modeli kullanılarak Covid-19/Zatürre/Normal sınıflandırması gerçekleştirilmiştir. Çalışma sonucunda %95 segmentasyon doğruluğu elde edilmiştir. Sınıflandırıcı modelleri sırasıyla %99, %90 ve %98 doğruluk elde edilmiştir.

The Covid-19 disease, named coronavirus, which emerged in China in December 2019, has become a pandemic in a short time all over the world. The fact that the Transcription Polymerase Chain Reaction (RT-PCR) test produces false negatives and the diagnosis time is long, has led to the search for new alternatives for the diagnosis of this virus, which can result in death, especially with the damage it causes to the lungs. Therefore, data obtained from CT or CXR imaging techniques of chest images have become suitable tools for diagnosis from chest images. Deep learning techniques studies have been proposed to provide diagnosis with these tools and to determine the infected area of Covid-19 and Pneumonia disease. In this thesis, a two-stage system is proposed as segmentation and classification. In the segmentation process, the infected regions segmented from the labeled data were determined. In the classifier stage, Covid-19/Pneumonia/Normal classification was performed using three different deep learning models named VGG16, ResNet50 and InceptionV3. As a result of the study, 95% segmentation accuracy was obtained. The classifier models obtained 99%, 90% and 98% accuracy, respectively.