A classification application on chest X ray images for the detection of tuberculosis disease by employing deep convolutional neural networks
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Tuberculosis (TB) is an infectious disease which is one of the top 10 diseases that cause death. It is defined as a disease of poverty because TB has vastly influenced on 30 high TB burden countries. Early TB diagnosis is significant for treatment. Besides, diagnosing TB is easy and cheap with chest radiograph technology. However, an expert's interpretation is required for the diagnosis of TB. Some countries lack medical personnel and equipment for TB diagnosis. The advancements in deep learning have impacted the usage of deep convolutional neural networks (DCNNs) in health because it can solve complex problems in health. DCNNs are employed to detect and diagnose several diseases from medical images and improve computer-aided diagnosis (CADx) and computer-aided detection systems (CADe). Therefore, DCNNs are used for TB diagnosis and detection. However, datasets that belong to different countries and contain the features such as different demographic variables are needed to develop automated CADx and CADe systems for TB diagnosisAlthough some studies have been conducted with several datasets, the applications are insufficient for reliable results. Therefore, the purpose of this thesis is to evaluate the performance of DCNNs for a classification application on chest X-ray (CXR) images obtained from Dr. Suat Seren Chest Diseases and Chest Surgery Training and Research Hospital in Turkey and contribute to the usage of DCNNs. The pre-trained DCNNs such as ResNet-50, Xception, and GoogLeNet have been used when implementing predictive models. The best performance is provided by an Xception model to determine TB disease on CXR images. Keywords: Tuberculosis; Chest X-ray analysis; Computer aided systems; Deep convolutional neural networks; Transfer learning; Classification
Tüberküloz (TB), ölüme neden olan ilk on hastalıktan biri olan bulaşıcı bir hastalıktır. TB, yüksek TB yoğunluklu 30 ülkeyi büyük ölçüde etkilediği için yoksulluk hastalığı olarak tanımlanmaktadır. TB'nin erken teşhisi tedavi için önemlidir. Ayrıca akciğer grafisi teknolojisi ile tüberküloz teşhisi kolay ve ucuzdur. Ancak TB tanısı için uzman yorumu gerekmektedir. Bazı ülkelerde tüberküloz teşhisindeki tıbbi personel ve ekipmanından yoksundur. Derin öğrenme algoritmalarındaki gelişmeler, sağlıktaki karmaşık sorunları çözebildiği için derin evrişimli sinir ağlarının sağlıkta kullanımını etkilemiştir. Derin evrişimli sinir ağları, tıbbi görüntülerden çeşitli hastalıkları tespit etmek ve teşhis etmede ve bilgisayar destekli teşhis ve bilgisayar destekli tespit sistemlerini geliştirmede kullanılmaktadır. Bu nedenle, derin evrişimli sinir ağları TB teşhisi ve tespiti için kullanılırlar. Ancak, TB teşhisi için otomatik bilgisayar destekli teşhis ve bilgisayar destekli tespit sistemleri geliştirmek için farklı ülkelere ait ve farklı demografik değişkenler gibi özellikleri içeren veri setlerine ihtiyaç duyulur. Farklı veri setleriyle bazı çalışmalar gerçekleştirilmiş olmasına rağmen güvenilir sonuçlar için bu uygulamalar yetersizdir. Bu nedenle, bu tezin amacı Türkiye'deki Dr. Suat Seren Göğüs Hastalıkları ve Göğüs Cerrahisi Eğitim ve Araştırma Hastanesi'nden elde edilen göğüs röntgeni görüntüleri üzerinde bir sınıflandırma uygulaması için derin evrişimli sinir ağların performansını değerlendirmek ve bu algoritmanın kullanımına katkıda bulunmaktır. Tahmine dayalı modeller gerçekleştirilirken ResNet-50, Xception ve GoogLeNet önceden eğitilmiş derin evrişimli sinir ağlar olarak kullanılmıştır. En iyi performans, CXR görüntülerinde TB hastalığını belirlemek için bir Xception modeli tarafından sağlanır. Anahtar Sözcükler: Tüberküloz; Göğüs röntgeni analizi; Bilgisayar destekli sistemler; Derin evrişimli sinir ağları; Transfer öğrenimi; sınıflandırma
Tüberküloz (TB), ölüme neden olan ilk on hastalıktan biri olan bulaşıcı bir hastalıktır. TB, yüksek TB yoğunluklu 30 ülkeyi büyük ölçüde etkilediği için yoksulluk hastalığı olarak tanımlanmaktadır. TB'nin erken teşhisi tedavi için önemlidir. Ayrıca akciğer grafisi teknolojisi ile tüberküloz teşhisi kolay ve ucuzdur. Ancak TB tanısı için uzman yorumu gerekmektedir. Bazı ülkelerde tüberküloz teşhisindeki tıbbi personel ve ekipmanından yoksundur. Derin öğrenme algoritmalarındaki gelişmeler, sağlıktaki karmaşık sorunları çözebildiği için derin evrişimli sinir ağlarının sağlıkta kullanımını etkilemiştir. Derin evrişimli sinir ağları, tıbbi görüntülerden çeşitli hastalıkları tespit etmek ve teşhis etmede ve bilgisayar destekli teşhis ve bilgisayar destekli tespit sistemlerini geliştirmede kullanılmaktadır. Bu nedenle, derin evrişimli sinir ağları TB teşhisi ve tespiti için kullanılırlar. Ancak, TB teşhisi için otomatik bilgisayar destekli teşhis ve bilgisayar destekli tespit sistemleri geliştirmek için farklı ülkelere ait ve farklı demografik değişkenler gibi özellikleri içeren veri setlerine ihtiyaç duyulur. Farklı veri setleriyle bazı çalışmalar gerçekleştirilmiş olmasına rağmen güvenilir sonuçlar için bu uygulamalar yetersizdir. Bu nedenle, bu tezin amacı Türkiye'deki Dr. Suat Seren Göğüs Hastalıkları ve Göğüs Cerrahisi Eğitim ve Araştırma Hastanesi'nden elde edilen göğüs röntgeni görüntüleri üzerinde bir sınıflandırma uygulaması için derin evrişimli sinir ağların performansını değerlendirmek ve bu algoritmanın kullanımına katkıda bulunmaktır. Tahmine dayalı modeller gerçekleştirilirken ResNet-50, Xception ve GoogLeNet önceden eğitilmiş derin evrişimli sinir ağlar olarak kullanılmıştır. En iyi performans, CXR görüntülerinde TB hastalığını belirlemek için bir Xception modeli tarafından sağlanır. Anahtar Sözcükler: Tüberküloz; Göğüs röntgeni analizi; Bilgisayar destekli sistemler; Derin evrişimli sinir ağları; Transfer öğrenimi; sınıflandırma
Açıklama
Anahtar Kelimeler
Yönetim Bilişim Sistemleri, Management Information Systems
