Yapay zekâ tabanlı görüntü işleme yöntemleri ile COVID-19 tahmini

Abstract

Amaç: Bu çalışmanın amacı, uygun video işleme teknikleri ve yapay zekâ yöntemlerini kullanarak Akciğer Ultrason videoları ile COVID-19'u, Bakteriyel Pnömoni, Viral Pnömoni ve sağlıklı kontrollerden başarılı bir şekilde ayırt ederek sınıflandırmak için yüksek performansa sahip bir modelin ve web tabanlı klinik karar destek sisteminin geliştirilmesidir. Materyal ve Metot: Bu çalışmada https://github.com/jannisborn/covid19_ ultrasound adresindeki açık kaynaklı Akciğer ultrason video veri seti kullanılmıştır. Veri setinde bulunan videoların 32'si sağlıklı kontrol, 24'ü COVID-19, 24'ü Bakteriyel Pnömoni ve 12'si Viral Pnömoni sınıfındandır. Video işleme aşamasında her bir sınıftaki videolardan 300'er görüntü karesi alınmıştır. Bu sayede toplam 1200 görüntü elde edilmiştir. Görüntülerin %80'i (960) eğitim ve %20'si (240) test veri seti olarak bölünmüştür. Modelleme aşamasında keras kütüphanesinde bulunan derin sinir ağları mimarilerinden evrişimli sinir ağları (CNN) yöntemi kullanılmıştır. Oluşturulan modelin performansını değerlendirmek için doğruluk, duyarlılık, seçicilik, kesinlik, Matthews'in korelasyon katsayısı (MCC), F1 skoru ve G-ortalama ölçütleri verilmiştir. Bunlara ek olarak oluşturulan yapay zekâ tabanlı model, Python Flask Kütüphanesi ve JavaScript yardımıyla, HTML5 alt yapısı kullanılarak COVID-19'u başarılı bir şekilde tespit edebilen web tabanlı bir sistem geliştirilmiştir. Bulgular: Bu çalışmada açık erişimli Akciğer ultrason video veri seti üzerinde oluşturulan model ile test veri setinde doğruluk sağlıklı kontrol, COVID-19 ve viral pnömoni için %93.39 ve bakteriyel pnömoni için ise %95.07 olarak hesaplanmıştır. Sonuç: Oluşturulan video işleme tabanlı CNN modeli ile elde edilen performans ölçütleri değerlerine göre, geliştirilen sistemin COVID-19, Bakteriyel Pnömoni ve Viral Pnömoni tanısında oldukça başarılı tahminler verdiği söylenebilir. Anahtar Kelimeler: COVID-19, yapay zekâ, derin öğrenme, video işleme, görüntü işleme, evrişimli sinir ağları.

Aim: The aim of this study is to develop a high-performance model and web-based clinical decision making method to successfully distinguish and classify COVID-19 from Bacterial Pneumonia, Viral Pneumonia and healthy controls with Lung Ultrasound videos using appropriate video processing techniques and artificial intelligence methods. development of the support system. Material and Method: In this study, the open source Lung ultrasound video dataset at https://github.com/jannisborn/covid19_ultrasound was used. The dataset includes 32 healthy controls, 24 COVID-19, 24 Bacterial Pneumonia and 12 Viral Pneumonia class videos. In the video processing stage, 300 image frames were taken from the videos in each class. In this way, a total of 1200 images were obtained. 80% (960) of the images are divided into training datasets and 20% (240) as test datasets. In the modeling phase, the convolutional neural network (CNN) method, one of the deep neural network architectures in the keras library, was used. Accuracy, sensitivity, specificity, precision, Matthews' correlation coefficient (MCC), F1 score and G-ortalama criteria are given to evaluate the performance of the model. In addition to these, a web-based system has been developed that can successfully detect COVID-19 using the HTML5 infrastructure, with the help of the artificial intelligence-based model, Python Flask Library and JavaScript. Results: In this study, with the model created on the open access Lung ultrasound video dataset, the accuracy in the test dataset was calculated as 93.39% for healthy control, COVID-19 and viral pneumonia, and 95.07% for bacterial pneumonia. Conclusion: According to the performance criteria values obtained with the video processing-based CNN model, it can be said that the developed system gives very successful predictions in the diagnosis of COVID-19, Bacterial Pneumonia and Viral Pneumonia. Keywords: COVID-19, artificial intelligence, deep learning, video processing, image processing, convolutional neural networks.