Stokastik Komşuluk Gömülme ile Özellik Çıkarımı ve Derin Transfer Öğrenmesi kullanılarak göğüs röntgeni görüntülerinden etkili pnömoni tespiti

Enver Elitok; Ömer Kasım; Hamdi Melih Saraoğlu

doi:10.5281/zenodo.13231261

Yazarlar

Enver Elitok Kütahya Dumlupınar Üniversitesi, Simav Teknoloji Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, Kütahya, Türkiye https://orcid.org/0000-0001-6111-0404
Ömer Kasım Kütahya Dumlupınar Üniversitesi, Simav Teknoloji Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, Kütahya, Türkiye https://orcid.org/0000-0003-4021-5412
Hamdi Melih Saraoğlu Kütahya Dumlupınar Üniversitesi, Mühendislik Fakültesi, Elektrik-Elektronik Mühendisliği Bölümü, Kütahya, Türkiye https://orcid.org/0000-0002-5075-9504

DOI:

https://doi.org/10.5281/zenodo.13231261

Anahtar Kelimeler:

Pnömoni, Görüntü İşleme, Transfer Öğrenme ile Özellik Çıkarma, Stokastik Komşu Gömülme ile Özellik Optimizasyonu, Destek Vektör Makinesi ile Sınıflandırma, Uzun-Kısa Süreli Bellek ile Sınıflandırma

Özet

Pnömoni, akciğerlerde ortaya çıkan bir enfeksiyondur. Bu enfeksiyon dünya çapında ciddi sağlık sorunlarına sebep olmaktadır. Özellikle hastanın hasta hizmetlerini kullanmasında oldukça meşakkatli bir tedavi süreci gerektirmektedir. Yapay zekâ teknolojilerinin sağlık alanına uygulaması ile bu problem çözülebilir. Radyoloji alanındaki uzmanlara destek olacak bir yapay zekâ modeli ile hastalığın erken teşhisinde gözden kaçabilecek önemli bilgiler uzmanlara bildirildiğinde yorgunluk gibi etmenler minimize edilebilecektir. Bu sistemler, teşhiste uzmanlık gerektirmeyen ve hızlı sonuçlar üretebilen otomatik bir yaklaşım sunmaktadır. Bu çalışmada akciğer X-ray görüntülerinin sınıflandırılmasında farklı iki yaklaşım önerilmektedir. Veri seti, Hindistan Bilim Enstitüsü, PES Üniversitesi, MS Ramaiah Teknoloji Enstitüsü, Concordia Üniversitesi tarafından sağlanan X-ray görüntüleri kullanılmıştır (doi: 10.17632/9xkhgts2s6.3). Bu veri seti, her biri değişken boyutlarda 3270 normal ve 4657 pnömoni olmak üzere toplam 7927 görüntüden oluşmaktadır. İlk yaklaşımda, görüntülerden MobileNetV2 kullanılarak öznitelik çıkarılmış ve Destek Vektör Makinesi (DVM) ve Uzun-Kısa Süreli Bellek (UKSB) ile ayrı ayrı sınıflandırılmıştır. DVM, %97,22 doğruluk ve 8,2 milisaniye tahmin süresiyle, UKSB ise %90,35 doğruluk ve 9,78 saniye tahmin süresiyle sonuçlanmıştır. İkinci yaklaşımda, öznitelikler t-SNE ile boyutu azaltılarak DVM ve UKSB ile sınıflandırılmıştır. DVM, %94,64 doğruluk ve 3,2 milisaniye tahmin süresiyle, UKSB ise %94,83 doğruluk ve 8,62 saniye tahmin süresiyle sınıflandırma yapmıştır. t-SNE, DVM’nin doğruluğunu azaltırken, UKSB’nin doğruluğunu artırmış ve her iki sınıflandırıcının da tahmin süresini kısaltmıştır. Bu çalışmada, pnömoni tanısında akciğer X-ray görüntülerinin sınıflandırılmasında derin öğrenme ve makine öğrenme modellerinin ve t-SNE gibi veri boyutu azaltma algoritmalarının performansı değerlendirilmiştir. Bu bulgular, pnömoni tanısında bilgisayar destekli yöntemlerin, özellikle derin öğrenme ve veri boyutu azaltma algoritmalarının etkili bir şekilde kullanılmasının, tanı sürecini hızlandırabileceğini ve doğruluğunu artırabileceğini göstermektedir. Bu sonuçlar, gelecekteki pnömoni tanı yöntemlerinin geliştirilmesinde önemli bir yol gösterici olabilir.

Referanslar

Alharbi, A. H., & Hosni Mahmoud, H. A. (2022, May). Pneumonia transfer learning deep learning model from segmented X-rays. In Healthcare (Vol. 10, No. 6, p. 987). MDPI.

Chakraborty, S., Paul, S., & Hasan, K. A. (2022). A transfer learning-based approach with deep cnn for covid-19-and pneumonia-affected chest x-ray image classification. SN computer science, 3, 1-10.

Chouhan, V., Singh, S. K., Khamparia, A., Gupta, D., Tiwari, P., Moreira, C., ... & De Albuquerque, V. H. C. (2020). A novel transfer learning based approach for pneumonia detection in chest X-ray images. Applied Sciences, 10(2), 559.

Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20, 273-297.

Cyriac, S., Raju, N., & Kim, Y. W. (2022, October). Pneumonia Detection using Ensemble Transfer Learning. In 2022 13th International Conference on Information and Communication Technology Convergence (ICTC) (pp. 479-484). IEEE.

de Lima Mendes, R., da Silva Alves, A. H., de Souza Gomes, M., Bertarini, P. L. L., & do Amaral, L. R. (2021, June). Many layer transfer learning genetic algorithm (MLTLGA): a new evolutionary transfer learning approach applied to pneumonia classification. In 2021 IEEE Congress on Evolutionary Computation (CEC) (pp. 2476-2482). IEEE.

El Asnaoui, K. (2021). Design ensemble deep learning model for pneumonia disease classification. International Journal of Multimedia Information Retrieval, 10(1), 55-68.

El Gannour, O., Hamida, S., Cherradi, B., Raihani, A., & Moujahid, H. (2020, December). Performance evaluation of transfer learning technique for automatic detection of patients with COVID-19 on X-Ray images. In 2020 IEEE 2nd international conference on electronics, control, optimization and computer science (ICECOCS) (pp. 1-6). IEEE.

Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to forget: Continual prediction with LSTM. Neural computation, 12(10), 2451-2471.

Göker, H. (2023). Automatic detection of migraine disease from EEG signals using bidirectional long-short term memory deep learning model. Signal, Image and Video Processing, 17(4), 1255-1263.

Gu, C., & Lee, M. (2024). Deep Transfer Learning Using Real-World Image Features for Medical Image Classification, with a Case Study on Pneumonia X-ray Images. Bioengineering, 11(4), 406.

Gummadi, S. D., Vootla, Y., Ghosh, A., Kartheek, P. N., & Kandimalla, A. K. (2021, September). Transfer learning based detection of pneumonia from chest x-ray images. In 2021 13th International Conference on Computational Intelligence and Communication Networks (CICN) (pp. 135-139). IEEE.

GÜNTÜRKÜN, R., & TOSUN, M. (2020). Estimation of the Amount of Drug to be Applied to the Patient Using Elman Recurrent Artificial Neural Network. Mühendislik Bilimleri ve Araştırmaları Dergisi, 2(2), 24-29.

Hariri, M., & Avşar, E. (2023). COVID-19 and pneumonia diagnosis from chest X-ray images using convolutional neural networks. Network Modeling Analysis in Health Informatics and Bioinformatics, 12(1), 17.

Hashmi, M. F., Katiyar, S., Keskar, A. G., Bokde, N. D., & Geem, Z. W. (2020). Efficient pneumonia detection in chest xray images using deep transfer learning. Diagnostics, 10(6), 417.

Jain, R., Nagrath, P., Kataria, G., Kaushik, V. S., & Hemanth, D. J. (2020). Pneumonia detection in chest X-ray images using convolutional neural networks and transfer learning. Measurement, 165, 108046.

Jawahar, M., Anbarasi, L. J., Jayachandran, P., Ramachandran, M., & Al-Turjman, F. (2021). Utilization of transfer learning model in detecting COVID-19 cases from chest x-ray images. International Journal of E-Health and Medical Communications (IJEHMC), 13(2), 1-11.

Jha, A., John, E., & Banerjee, T. (2022, August). Transfer Learning for COVID-19 and Pneumonia Detection using Chest X-Rays. In 2022 IEEE 65th International Midwest Symposium on Circuits and Systems (MWSCAS) (pp. 1-4). IEEE.

Kalgutkar, S., Jain, V., Nair, G., Venkatesh, K., Parab, K., Deshpande, A., & Ambawade, D. (2021, April). Pneumonia Detection from chest X-ray using Transfer Learning. In 2021 6th International Conference for Convergence in Technology (I2CT)(pp. 1-6). IEEE.

Kassem, M., & Albaker, B. M. (2022). Efficient Classification Model of Pneumonia Infection Based on Deep Transfer Learning and Chest X-Ray Images. Al-Iraqia Journal for Scientific Engineering Research, 1(1), 58-67.

Khaled, M., Gaceb, D., Touazi, F., Otsmane, A., & Boutoutaou, F. (2022). Progressive and Combined Deep Transfer Learning for pneumonia diagnosis in chest X-ray images. In IDDM (pp. 160-173).

Kolonne, S., Fernando, C., Kumarasinghe, H., & Meedeniya, D. (2021, December). MobileNetV2 based chest x-rays classification. In 2021 International Conference on Decision Aid Sciences and Application (DASA) (pp. 57-61). IEEE.

Luján-García, J. E., Yáñez-Márquez, C., Villuendas-Rey, Y., & Camacho-Nieto, O. (2020). A transfer learning method for pneumonia classification and visualization. Applied Sciences, 10(8), 2908.

MERT, A. (2023). Lightweight deep neural network models for electromyography signal recognition for prosthetic control. Turkish Journal of Electrical Engineering and Computer Sciences, 31(4), 706-721.

Mishra, S. (2021). Deep transfer learning-based framework for COVID-19 diagnosis using chest CT scans and clinical information. SN Computer Science, 2(5), 390.

Mohamed, C., Mwangi, R. W., & Kihoro, J. M. (2024). Enhancing Pneumonia Detection in Pediatric Chest X-Rays Using CGAN-Augmented Datasets and Lightweight Deep Transfer Learning Models. Journal of Data Analysis and Information Processing, 12(01), 1-23.

Mujahid, M., Rustam, F., Álvarez, R., Luis Vidal Mazón, J., Díez, I. D. L. T., & Ashraf, I. (2022). Pneumonia classification from X-ray images with inception-V3 and convolutional neural network. Diagnostics, 12(5), 1280.

Parveen, S., & Khan, K. B. (2020, November). Detection and classification of pneumonia in chest X-ray images by supervised learning. In 2020 IEEE 23rd International Multitopic Conference (INMIC) (pp. 1-5). IEEE.

Prusty, S., Patnaik, S., & Dash, S. K. (2022, August). ResNet50V2: a transfer learning model to predict pneumonia with chest X-ray images. In 2022 International Conference on Machine Learning, Computer Systems and Security (MLCSS)(pp. 208-213). IEEE.

Rahman, T., Chowdhury, M. E., Khandakar, A., Islam, K. R., Islam, K. F., Mahbub, Z. B., ... & Kashem, S. (2020). Transfer learning with deep convolutional neural network (CNN) for pneumonia detection using chest X-ray. Applied Sciences, 10(9), 3233.

Sait, U., Lal, K. G., Prajapati, S., Bhaumik, R., Kumar, T., Sanjana, S., & Bhalla, K. (2020). Curated dataset for COVID-19 posterior-anterior chest radiography images (X-Rays). Mendeley Data, 1, 1.

Sakib, S. N., Masud, R., Rubaiat, S. Y., Bepery, C., Sarker, M., & Hasan, M. K. (2021, September). Pneumonia detection using deep transfer learning in gender specific chest x-ray images. In 2021 International Conference on Electronics, Communications and Information Technology (ICECIT) (pp. 1-4). IEEE.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4510-4520).

Shaikh, M., Arain, Q. A., Siddiqui, I. F., & Shaikh, H. A. (2022, November). Automated classification of pneumonia from chest x-ray images using deep transfer learning efficientnet-b0 model. In 2022 14th International Conference on Mathematics, Actuarial Science, Computer Science and Statistics (MACS) (pp. 1-6). IEEE.

Sharma, C. M., Goyal, L., Chariar, V. M., & Sharma, N. (2022). [Retracted] Lung Disease Classification in CXR Images Using Hybrid Inception‐ResNet‐v2 Model and Edge Computing. Journal of Healthcare Engineering, 2022(1), 9036457.

Souid, A., Sakli, N., & Sakli, H. (2021). Classification and predictions of lung diseases from chest x-rays using mobilenet v2. Applied Sciences, 11(6), 2751.

Srivastava, G., Pradhan, N., & Saini, Y. (2022). Ensemble of Deep Neural Networks based on Condorcet’s Jury Theorem for screening Covid-19 and Pneumonia from radiograph images. Computers in Biology and Medicine, 149, 105979.

Sunyoto, A., Pristyanto, Y., Setyanto, A., Alarfaj, F., Almusallam, N., & Alreshoodi, M. (2022). The Performance Evaluation of Transfer Learning VGG16 Algorithm on Various Chest X-ray Imaging Datasets for COVID-19 Classification. International Journal of Advanced Computer Science and Applications, 13(9).

Tosun, M. (2021). Effects of spectral features of EEG signals recorded with different channels and recording statuses on ADHD classification with deep learning. Physical and Engineering Sciences in Medicine, 44(3), 693-702.

Van der Maaten, L., & Hinton, G. (2008). Visualizing data using t-SNE. Journal of machine learning research, 9(11).

Venu, S. K. (2020). An ensemble-based approach by fine-tuning the deep transfer learning models to classify pneumonia from chest X-ray images. arXiv preprint arXiv:2011.05543.

Stokastik Komşuluk Gömülme ile Özellik Çıkarımı ve Derin Transfer Öğrenmesi kullanılarak göğüs röntgeni görüntülerinden etkili pnömoni tespiti

Yazarlar

DOI:

Anahtar Kelimeler:

Özet

Referanslar

İndir

Yayınlanmış

Nasıl Atıf Yapılır

Sayı

Bölüm

Lisans

Makale Gönder

Dil

Bilgi