Derin öğrenme tabanlı yaklaşımlarla akciğer röntgen görüntüleri üzerinden COVID-19 ve bakteri kaynaklı zatürrenin otomatik teşhisi

COVID-19 tüm dünyada yüksek ölüm oranına neden olan virüs kaynaklı bir hastalıktır. Virüsle enfekte olan hastalar kuru öksürük, nefes darlığı, ateş ve diğer semptomların yanı sıra belirgin radyografik görsel özelliklere sahiptir. Bununla birlikte benzer semptomları içeren bir başka hastalık ise zatürredir. COVID-19 ve zatürrenin doğru teşhisi, hekimlerin hastalara uygun tedavilerle müdahale etmesine yardımcı olmak için büyük önem taşımaktadır. Ters Transkripsiyon - Polimeraz Zincir Reaksiyonu (RT-PCR) testi, COVID-19 teşhisi için rutin olarak kullanılmasına rağmen maliyetli, zaman alıcı ve yanlış sonuçlara eğilimlidir. Bu nedenle teşhis için düşük maliyetli, hızlı ve başarılı sonuç veren tıbbi görüntüleme tabanlı bilgisayar destekli çalışmalar önemli bir alternatiftir. Bu çalışmada, COVID-19 hastaları, bakteri kaynaklı zatürre hastaları ve sağlıklı bireylerin akciğer röntgen görüntüleri üzerinden otomatik olarak teşhis edilmesini amaçlayan derin öğrenme tabanlı üç farklı yaklaşım önerilmiştir. İlk yaklaşımda öğrenme aktarımı, ikinci yaklaşımda öznitelik çıkarımı ve üçüncü yaklaşımda ise öznitelik seçimi yöntemi uygulanmıştır. Önceden eğitilmiş evrişimli derin sinir ağları Vgg19, ResNet50 ve DenseNet201 öğrenme aktarımı ve öznitelik çıkarımı amacıyla kullanılmıştır. Öznitelik çıkarımı ve öznitelik seçimi yaklaşımında sınıflandırıcı olarak Destek Vektör Makinesi tercih edilmiştir. Çalışmada Kaggle tarafından erişime sunulan ve herkese açık üç farklı akciğer röntgen görüntüsü veri tabanından elde edilen her bir sınıfa ait 1500 adet olmak üzere toplamda 4500 adet röntgen görüntüsü kullanılmıştır. Öğrenme aktarımı yaklaşımında ResNet50 ile %99.2, öznitelik çıkarımı yaklaşımında DenseNet201 ile %98.7, öznitelik seçimi yaklaşımında ise ResNet50 ile %98.3 doğruluk elde edilmiştir. Bunun yanı sıra önerilen öznitelik seçimi yaklaşımı sayesinde sınıflandırma doğruluğunda belirgin bir düşüş yaşanmadan sınıflandırma hızı yaklaşık beş kat artmıştır.