Diagnosing Covid-19 From X-RAY Images With Using Multi-Channel CNN Architecture

dc.authorid110138en_US
dc.contributor.authorYılmaz, Atınç
dc.date.accessioned2021-12-22T08:49:20Z
dc.date.available2021-12-22T08:49:20Z
dc.date.issued2021
dc.departmentİstanbul Beykent Üniversitesien_US
dc.description.abstractYeni tip koronavirüs (Covid-19), hem insanlarda hem de hayvanlarda hastalığa sebep olan koronavirüs ailesinin bir üyesidir. Covid-19, Dünya Sağlık Örgütü tarafından pandemi olarak tanımlandırılan ve tüm dünyada salgınlaşarak insanlar için sonucu ölüme kadar gidebilecek riske sahiptir. Covid-19 tanısı konulabilmesi için şüpheli bireyden RT-PCR testi ile tanının doğrulanması gerekmektedir. Fakat bu testin sonuçlanması hem uzun zaman almakta hem de yanlış negatif sonuçlar ile çok sık karşılaşılabilmektedir. Covid-19 tanısı ne kadar erken ve doğru olursa, hayat kaybı risk oranı birey için o derece az olmaktadır. Derin öğrenme, özellikle tıp alanında son derece yüksek doğruluk ve hassasiyet gerektiren çeşitli karmaşık problemleri çözmek için çeşitli uygulamalarda yaygın olarak kullanılmıştır. Bu çalışmada, akciğer X-Ray görüntülerinden otomatik Covid-19 tanısı, önerilen çok kanallı CNN yöntemi kullanılarak yapılmaktadır. Hasta ve sağlıklı bireylerden elde edilen X-Ray görüntüleri çevrimiçi olarak üç ayrı veri tabanından elde edilmiştir. Sonuçları karşılaştırmak ve önerilen yöntemin verimliliğini ortaya koymak için tekrarlayan derin sinir ağları (SRN) mimarisi de aynı problem için uygulanmıştır. Ayrıca, çalışmanın performansını, doğruluğunu ve verimliliğini ortaya koymak için uygulanan yöntemler için doğruluk, hassasiyet analizi ve işlem sürelerinin ölçümleri yapılmıştır. Önerilen sistem ile PCR testi sonucu beklenmeden kısa sürede Covid-19 tanısı konarak, virüs vücutta etkisini ve hayati riski arttırmadan önlem alınması sağlanmaktadır. Bu çalışmada; tüm dünyada insan yaşamı için büyük bir risk olan Covid-19 ‘un erken tespiti için CNN'ye dayalı yeni bir yöntem önerilmektedir. Literatürdeki çalışmalardan farklı olarak, beş evrişim kanalına sahip olan çok kanallı CNN mimarisi sunumu ve bu kanalların ürettiği sonuçlar arasında en belirgin özellik filtrelerini seçmek için önerilen çok kanallı CNN mimarisinde kanal seçim formülü ortaya konmaktadıren_US
dc.identifier.citationJournal of the Faculty of Engineering and Architecture of Gazi University 36:4 (2021) 1761-1773en_US
dc.identifier.doi10.17341/gazimmfd.746883
dc.identifier.issn1310-5132
dc.identifier.scopus2-s2.0-85118164025en_US
dc.identifier.scopusqualityN/Aen_US
dc.identifier.trdizinid494894en_US
dc.identifier.urihttps://search.trdizin.gov.tr/yayin/detay/494894
dc.identifier.urihttps://doi.org/10.17341/gazimmfd.746883
dc.identifier.wosWOS:000692521900001en_US
dc.identifier.wosqualityQ4en_US
dc.indekslendigikaynakWeb of Scienceen_US
dc.indekslendigikaynakScopusen_US
dc.indekslendigikaynakTR-Dizinen_US
dc.language.isotren_US
dc.publisherGazi Universityen_US
dc.relation.publicationcategoryMakale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.subjectCovid-19en_US
dc.subjectÖnerilen çok kanallı CNN mimarisien_US
dc.subjectKanal seçimien_US
dc.subjectAkciğer X-Rayen_US
dc.subjectTanıen_US
dc.subjectDerin öğrenmeen_US
dc.titleDiagnosing Covid-19 From X-RAY Images With Using Multi-Channel CNN Architectureen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Yükleniyor...
Küçük Resim
İsim:
13 Diagnosing COVID-19 from X-Ray images with using multi-channel CNN architecture.pdf
Boyut:
1.09 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.44 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama: