Derin Öğrenme Yöntemleriyle Çapraz Veri Seti Değerlendirmesi Altında COVID-19 Tespiti

Abstract

COVID-19 salgını tüm dünyayı etkilemiş ve son yüz yılın en şiddetli rahatsızlıklarından biri haline gelmiştir. Yüksek bulaşıcılığı nedeniyle, COVID-19’un erken aşamada tespiti ve enfekte olan hastaların diğerlerinden izole edilmesi pandemiyi kontrol etmede en önemli aşamalardan biridir. Revers-Transkriptaz Polimeraz Zincir Reaksiyonu (RT-PCR) enfekte olan hastaları teşhis etmek için kullanılan en yaygın yöntemdir; ancak, bu yöntem zaman alıcı ve yoğun emek gerektirmektedir. Yakın zamanda, COVID-19’un hızlı tespiti için bilgisayarlı tomografi görüntüleri kullanılarak yapılan derin öğrenme tabanlı birçok çalışma mevcuttur. Bu çalışmalarda, enfekte olan hastalar hızlı ve yüksek doğruluk oranları (>%97) ile tespit edilebilmektedir. Fakat bu kapsamda hazırlanan veri setleri incelendiğinde, verilerin genellikle aynı ülke veya aynı ildeki hastanelerden elde edildiği gözlenmektedir. Bu durum, kurulan modelin etnik bağımlılığa sahip olmasına ve farklı veri setlerinde aynı performansı göstermemesine neden olabilir. Bu çalışmada, çapraz veri değerlendirmesi (eğitim ve test için farklı veri setleri) altında güncel derin öğrenme modellerinin performansı deneysel olarak incelenmiştir. İncelenen modeller arasında en yüksek tespit skoru %71.47 ile ResNet50 modeli kullanılarak elde edilmiştir. Ayrıca, eğitilen ResNet50 modelinin görüntünün sınıfına (Covid/Non-Covid) karar verirken odaklandığı alanları göstermek için Grad-CAM sonuçları sağlanmıştır.