Derin öğrenme tekniklerini kullanarak otomatik tüberküloz teşhisi

Abstract

Son yıllarda, makine öğrenimi tekniklerini kullanan otomatik teşhis, araştırmaların odak noktası olmuştur. Sınıflandırıcıların, belirli bir görevi eğitimli bir meslek kadar iyi yerine getirebilme yeteneği, birçok uygulamaya kapı açar. Mycobacterium Tuberculosis (TB), hastalığı hızlı bir şekilde teşhis edip tedavi edebilen zayıf sağlık sistemi altyapısı nedeniyle gelişmekte olan ülkelerin çoğunu rahatsız eden ölümcül bir hastalıktır. Dünya Sağlık Örgütü (WHO), yeni enfeksiyonlarda ve ölümlerde önemli azalma için 2030 ve 2035 yıllarını kilometre taşları olarak belirledi. WHO, TB'nin doğru bir şekilde teşhis edilmesini ve endemik olarak yok edilmesini yavaşlatan faktörleri iyi eğitimli profesyonellerin bulunmamasına ve yetersiz veya kırılgan halk sağlığı sistemlerine bağlamaktadır. Evrişimli sinir ağları (CNN'ler), bilgisayarlı görü alanında, yani görüntü tanıma ve algılama alanında dikkate değer bir başarı göstermektedir. Bu nedenle, CNN'nin radyoloji ile birleşen görüntü sınıflandırmasındaki başarısı, bu yöntemi potansiyel TB hastalarının Göğüs Röntgeni (CXR) görüntülerini sınıflandırmak ve hızlı tanı koymak için mükemmel bir aday haline getiriyor. Bu çalışmada, iki kamuya açık veri seti kullanılarak eğitilen üç tür CNN ve Konya Eğitim ve Araştırma Hastanesi'nden toplanan yeni bir veri setiyle oluşturulan CNN tanımlanmaktadır. Ayrıca, CNN mimarilerine, uzaysal kutular kullanılarak sağlam özellik havuzlama yeteneği ile evrişimli sinir ağlarını donatan bir metodoloji olan Uzamsal Piramit Havuzlama (SPP) adlı ekstra bir katman entegre edildi. Sonuçlarımız, otomatik bir sistemin, akciğer tüberkülozunu teşhis etmede bir radyolog profesyonelinin üzerinde doğruluk oranına sahip olduğunu göstermiştir.

In recent decades, automatic diagnosis using machine-learning techniques have been the focus of research. The ability of classifiers to be able to perform a specific task as good as a trained profession opens the door to a lot of applications. Mycobacterium Tuberculosis (TB) is a deadly disease that plagues most developing countries due to weak health system infrastructure that can be able to quickly diagnose and treat the disease. The World Health Organisation (WHO) has set years 2030 and 2035 as milestones for significant reduction in new infections and deaths. The WHO reports that lack of well-trained professionals to accurately diagnose TB and insufficient or fragile public health systems which are mostly overwhelmed are the major factors that have slowed the eradication of the TB endemic. Convolutional neural networks (CNNs) have demonstrated remarkable success in the field of computer vision i.e. image recognition and detection. Consequently, common methodology for detecting TB is through radiology combined with previous success CNN have achieved in image classification makes them the perfect candidate to classify Chest X-Ray (CXR) images of potential TB patients. In this study, we propose three types of CNN trained using two public datasets and another which was collected from Konya Education and Research Hospital, Konya, Turkey. Also, the CNN architectures were integrated an extra layer called Spatial Pyramid Pooling (SPP) a methodology that equips convolutional neural networks with the ability for robust feature pooling by using spatial bins. Our results indicate a huge potential for an automated system to diagnose tuberculosis with accuracies above a radiologist professional.