Evrisimsel sinir agi kullanarak kan parametrelerinden COVID-19 tespiti

Abstract

COVID-19, çok hızlı yayılabilen pandemik bir solunum yolu hastalığıdır. Enfekte bireylerde COVID-19'un asemptomatik olarak kendini göstermesi, hastalığın yayılımının durdurulamamasına neden olmaktadır. Yayılımın durdurulamamasının diğer bir sebebi olan virüsün çok fazla genomik varyant değiştirmesi ise virüsün bulaşıcılırlık hızını arttırarak hastalığın yayılımını daha kolay hale getirmektedir. COVID-19'un kısa vadede kesin bir tedavisi mümkün olmadığından temel hedef hastalığın bulaşılırlığını azaltmaktır. Hastalığın bulaşılırlığını azaltmadaki öncelikli adım ise enfekte bireylerin tespiti yapılarak hızlı sonuç almaktır. Evrişimsel Sinir Ağı (ESA), akciğer röntgenleri üzerinden hızlı ve başarılı bir şekilde pozitif bireyleri teşhis ettiğinden COVID-19 çalışmalarında aktif olarak kullanılmaktadır. Buna ek olarak, bulaşıcı hastalıklar hakkında önemli klinik bilgiler içeren ve ulaşılması kolay olan kan parametreleri, COVID-19 teşhisinde önemli bir yere sahiptir. Bu tez çalışmasında, bireylerin bir boyutlu (1B) kan parametrelerinden iki boyutlu (2B) görüntü verileri elde edilerek ESA ile COVID-19 tespit modeli geliştirilmiştir. Özellik vektörlerinin 2B düzleme aktarılması için T-Dağıtılmış Stokastik Komşu Gömme (T-Distributed Stochastic Neighbor Embedding - T-SNE) yöntemi uygulanmıştır. Görüntü verileri elde etmek için, tüm veriler Dışbükey Gövde Algoritması (DGA) ve Minimum Sınırlayıcı Dikdörtgen (MSD) ile çerçevelenmiş ve piksel haritalama yapılarak elde edilen görüntü verileri, önerilen 3 hatlı ESA mimarisine sunulmuştur. Bu çalışmada, düşük maliyetli ve ulaşılabilirliği hızlı olan kan parametreleri ile görüntü verilerinde yüksek başarı getiren ESA mimarisinin kombinasyonu sağlanarak %94.85 başarı ile COVID-19 tespiti yapılmış, kan parametrelerinden COVID-19 tespiti için etkin ve başarılı bir model önerilmiştir.

COVID-19 is a pandemic respiratory disease that can spread very quickly. The asymptomatic appearance of COVID-19 in infected individuals causes the spread of the disease to cannot be stopped. Another reason why the spread cannot be stopped is that the virus changes too many genomic variants, increasing the virulence of the disease and making the spread of the disease easier. Because there is no specific treatment for COVID-19 in the short term, the main goal is to reduce the virulence of the disease. The primary step in reducing the disease risk is to detect infected individuals and get accurate results quickly. Convolutional Neural Network (CNN) is actively used in COVID-19 studies when it quickly and successfully diagnoses positive individuals through lung X-rays. In addition, blood parameters, which contain essential clinical information about infectious diseases and are easy to reach, have an important place in COVID-19 diagnosis. In this thesis, a COVID-19 detection model based on a CNN was developed by obtaining 2-dimensional (2D) image data from one-dimensional (1D) blood parameters of individuals. The T-Distributed Stochastic Neighbor Embedding (T-SNE) method was applied to transfer the feature vectors to the 2D plane. All data were framed with Convex Hull Algorithm (CHA) and Minimum Bounding Rectangle (MBR) to obtain image data. The image data obtained by pixel mapping was presented to the developed 3 line CNN architecture. This study proposes an effective and successful model by providing a combination of low-cost and rapidly-accessible blood parameters and CNN architecture making image data processing highly successful for COVID-19 detection. Ultimately, COVID-19 detection was made with a success rate of 94.85%.