Üretken çekişmeli ağ ve UNet kullanılarak segmente edilmiş tomografi görüntülerden Covid-19 sınıflandırmasında farklı derin öğrenme mimarilerinin kullanımı

Abstract

2019 yılının sonlarında ortaya çıkan yeni koronavirüs (Covid-19), 7 kıtanın tümünde büyük bir küresel sağlık krizine neden olmuştur. Bu virüsle mücadele etme yolunda atılan önemi adımlardan biri etkili tarama, erken teşhis ve enfekte kişilerin izolasyonu yoluyla hastalığın yayılmasını sınırlamaktır. Bilgisayarlı tomografi (BT) taramaları tanıyı belirlemede etkili bir yöntem haline gelirken, BT'nin radyolojik tetkikleri radyologların iş yükünün büyük ölçüde artmasına neden olmuştur. BT görüntülerinden Covid-19'un tespitinde Bilgisayar Destekli Tanı (BDT) sistemlerinin kullanılması radyologların yükünü azaltmakta ve tanı verimliliğini artırmaktadır. Bu çalışmada, Covid-19 enfekte bölgeleri, göğüs BT görüntülerinde otomatik olarak segmentlere ayıran UNet tabanlı ve Koşullu Üretken Çekişmeli Ağa (kÜÇA) dayalı yeni bir sistem önerilmiştir. Segmentasyon amacıyla, üretici (generator), enfekte olmuş bölgelerin etrafındaki sınırları belirleyen ikili maskeler oluşturmayı öğrenirken, ayırıcı (discriminator) ise gerçek ve sentetik maskeleri ayırt etmeyi öğrenir. Dolayısıyla bu çekişmeli eğitim, üreteci çok gerçekçi ikili maskeler oluşturarak virüslü bölgeleri tespit etmeye zorlamaktadır. Deneysel sonuçlar, önerilen yöntemin %92.32 zar skoru (dice score) ve %86.41Birlik üzerinde Kesişim (BüK) (IoU) skoru ile segmentasyon başarısı sağladığını göstermektedir. Ayrıca, tez kapsamında, önerilen yöntemle üretilen maskeleri kullanarak Covid-19 hastalarını sınıflandırmak için Evrişimsel Sinir Ağı (ESA), Patch Evrişimsel Sinir Ağı (PatchESA) ve Kapsül Sinir Ağı (KapsülSA) olmak üzere üç ayrı sınıflandırıcı kullanılmıştır. Bu sınıflandırıcıların başarısı sırasıyla %99.20, %92.30 ve %73.83'tür. Bu sonuçlara göre en yüksek sınıflandırma başarısı kÜÇA_Unet ve ESA'nın birlikte kullanıldığı sistemde elde edilmiştir.

The new coronavirus, which emerged at the end of 2019, caused a major global health crisis in 7 continents. An essential step towards fighting this virus is limiting the spread of the disease through effective screening, early detection and isolation of infected persons. While computed tomography (CT) scans have become an effective method to detecting the diagnosis, radiological examination of CT has led to a large increase in the workload for radiologists. Computer Aided Detection (CAD) systems for Covid-19 from CT images can therefore reduce the burden on radiologists and improve efficiency of diagnosis. In this study, a new system based on UNet-based Conditional Generative Adversarial Network (cGAN) that automatically segments infected regions from chest CT slices is proposed. For the purpose of segmentation, the generator learns to create binary masks that outline boundaries around these infected regions while the discriminator learns to distinguish between the real and synthetic masks. This adversarial training therefore forces the generator to detect infected regions by creating very realistic binary masks. Experimental results show that the proposed method achieves a segmentation success with a dice score of 92.32% and IoU score of 86.41%. Furthermore, 3 classifiers which include a Convolutional Neural Network (CNN), a PatchCNN and a Capsule Neural Network (CapsNet) are proposed to classify the generated masks as either Covid-19 or not. Success of these classifiers was 99.20%, 92.30% and 73.83%, respectively. According to these results, the highest success was achieved in the system where cGAN_Unet and CNN are used together.