Research Article
BibTex RIS Cite

Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım

Year 2022, Volume: 15 Issue: 2, 95 - 103, 15.12.2022

Ali Emre Öztaş Dorukhan Boncukçu Ege Özteke Mahir Demir Arzu Mirici Pınar Mutlu

https://doi.org/10.54525/tbbmd.1038234

Abstract

Covid-19 virüsü dünya üzerinde büyük bir etki bırakmıştır ve yayılmaya devam etmektedir. Daha fazla yayılmasını engellemek için koronavirüs hastalarına erken tanı koymak oldukça önemlidir. Her ne kadar akciğer X-Işını görüntüsü tanısı ile çözüm en hızlı ve en kolay yöntem olsa da ortalama bir radyoloğun X-Işını verilerini kullanarak tanı koymadaki doğruluğu tamamen mesleki deneyimine dayanmaktadır. Yani, daha deneyimsiz radyologların hata yapma olasılığı daha fazladır. Bu nedenle tutarlı sonuçlar verebilen bir yapay zekâ modeli üretilmesi istenmektedir. Çalışmamızda göğüs X-Işını görüntüleri ve sıradan kan ölçüm verileri kullanılarak sınıflandırma yapılmış ve sonuçları karşılaştırılmıştır. X-Işını verileri hem açık kaynak çalışmalardan hem de yerel bir hastaneden anonim olarak toplanmıştır ve yaklaşık 7200 görüntüye sahiptir. Kan ölçümü sonuçları da yine aynı yerel hastaneden toplanmıştır. Göğüs X-Işını verilerinin tanısı için yaygın olarak kullanılan evrişimsel sinir ağı algoritmalarından ResNet, SqueezeNet, DenseNet ve VGG kullanılmıştır. Sonuçlar, SqueezeNet modelinin daha yüksek AUC değeri vermesiyle birlikte, diğer algoritmaların da %85 üstünde bulma ve tutturma değeri sağladığını göstermektedir. Covid-19’un kan ölçümlerinden tanısı için ise çok katmanlı yapay sinir ağı ve destek vektör makinası kullanılmıştır. Kan ölçüm verileri kullanarak sınıflandırma kısıtlı bir veri kümesi üzerinde yapılmış olsa da yapay sinir ağı ve destek vektör makinası için doğruluk oranları sırasıyla %76 ve %82 olarak bulunmuştur. Genelleme yapılırsa X-Işını yoluyla tanının kan ölçümü yoluyla yapılan tanıdan daha uygulanabilir olduğu ve Covid tanısında yapay zekânın insanlardan daha doğru sonuç çıkardığı sonucuna ulaşılmıştır.

Keywords

Covid-19 danışmanlı öğrenme derin öğrenme göğüs X-Işını kan testi aktarmalı öğrenme tanı

Supporting Institution

-

Project Number

-

Thanks

UBMK konferansında yayınladığımız bildirimizi değerli bularak genişletilmiş halini bu dergiye göndermemize teşvik eden UBMK yetkililerine teşekkür ederiz.

References

  • Abbas, A., Abdelsamea, M. M., & Gaber, M. M. (2020). Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network. Applied Intelligence, 1-11.
  • A. Cozzi, S. Schiaffino, F. Arpaia, G. Della Pepa, S. Tritella, P. Bertolotti, et al. Chest x-ray in the COVID-19 pandemic: radiologists' real-world reader performance Eur J Radiol, 132 (2020), Article 109272, 10.1016/j.ejrad.2020.109272.
  • Alazab, M., Awajan, A., Mesleh, A., Abraham, A., Jatana, V., &Alhyari, S. (2020). COVID-19 prediction and detection using deep learning. International Journal of Computer Information Systems and Industrial Management Applications, 12, 168-181.
  • Scikit-learn: Machine Learning in Python, Pedregosaet al., JMLR 12, pp. 2825-2830, 2011.
  • Asai, T. (2020). COVID-19: accurate interpretation of diagnostic tests—a statistical point of view.
  • Cohen, J. P., Morrison, P., Dao, L., Roth, K., Duong, T. Q., &Ghassemi, M. (2020). Covid-19 image data collection: Prospective predictions are the future. arXiv preprint arXiv:2006.11988.
  • Haykin, S. S. (2008). Neural Networks and Learning Machines,third edition, Pearson.
  • He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
  • Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., &Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
  • Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., ... & Ng, A. Y. (2019, July). Chexpert: A large chest radiograph dataset with uncertainty labels and expert comparison. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 590-597).
  • Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
  • Minaee, S., Kafieh, R., Sonka, M., Yazdani, S., &Soufi, G. J. (2020). Deep-Covid: Predicting Covid-19 from chest x-ray images using deep transfer learning. Medical image analysis, 65, 101794.
  • Narin, A., Kaya, C., & Pamuk, Z. (2020). Automatic detection of coronavirus disease (Covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849.
  • Maguolo, G., &Nanni, L. (2020). A critic evaluation of methods for Covid-19 automatic detection from x-ray images. arXiv preprint arXiv:2004.12823.
  • Monard, Maria-Carolina. (2002). A Study of K-Nearest Neighbour as an Imputation Method.
  • Wang, L., Lin, Z. Q., & Wong, A. (2020). Covid-net: A tailored deep convolutional neural network design for detection of Covid-19 cases from chest x-ray images. Scientific Reports, 10(1), 1-12.
  • Brinati, D., Campagner, A., Ferrari, D. et al. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: A Feasibility Study. J Med Syst 44, 135 (2020).
  • Abhirup Banerjee, Surajit Ray, Bart Vorselaars, Joanne Kitson, MichailMamalakis, Simonne Weeks, Mark Baker, Louise S. Mackenzie, Use of Machine Learning and Artificial Intelligence to predict SARS-CoV-2 infection from Full Blood Counts in a population, International Immunopharmacology, Volume 86 (2020).
  • AlJame, M., Ahmad, I., Imtiaz, A., & Mohammed, A. (2020). Ensemble learning model for diagnosing COVID-19 from routine blood tests. Informatics in Medicine Unlocked, 21, 10.
  • M.E.H. Chowdhury, T. Rahman, A. Khandakar, R. Mazhar, M.A. Kadir, Z.B. Mahbub, K.R. Islam, M.S. Khan, A. Iqbal, N. Al-Emadi, M.B.I. Reaz, M. T. Islam, “Can AI help in screening Viral and COVID-19 pneumonia?” IEEE Access, Vol. 8, 2020, pp. 132665 - 132676.
  • Rahman, T., Khandakar, A., Qiblawey, Y., Tahir, A., Kiranyaz, S., Kashem, S.B.A., Islam, M.T., Maadeed, S.A., Zughaier, S.M., Khan, M.S. and Chowdhury, M.E., 2020. Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-ray Images.
  • Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
  • Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
  • Republic of Turkey Ministry of Health, SARS-CoV-2 Infection Adult Patient Treatment-Scientific Advisory Board Study (7 May 2021 -ANKARA).
  • Cortes, C., Vapnik, V. Support-vector networks. Mach Learn20, 273–297 (1995). https://doi.org/10.1007/BF00994018.
  • RBF SVM Parameters. scikit. (n.d.). Erişim tarihi: 23 Mayıs, 2022, Erişim adresi: https://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html .
  • A. E. Öztaş, D. Boncukçu, E. Özteke, M. Demir, A. Mirici and P. Mutlu, "Covid19 Diagnosis: Comparative Approach Between Chest X-Ray and Blood Test Data," 2021 6th International Conference on Computer Science and Engineering (UBMK), 2021, pp. 472-477, doi: 10.1109/UBMK52708.2021.9558969.

Year 2022, Volume: 15 Issue: 2, 95 - 103, 15.12.2022

Ali Emre Öztaş Dorukhan Boncukçu Ege Özteke Mahir Demir Arzu Mirici Pınar Mutlu

https://doi.org/10.54525/tbbmd.1038234

Abstract

Project Number

-

References

  • Abbas, A., Abdelsamea, M. M., & Gaber, M. M. (2020). Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network. Applied Intelligence, 1-11.
  • A. Cozzi, S. Schiaffino, F. Arpaia, G. Della Pepa, S. Tritella, P. Bertolotti, et al. Chest x-ray in the COVID-19 pandemic: radiologists' real-world reader performance Eur J Radiol, 132 (2020), Article 109272, 10.1016/j.ejrad.2020.109272.
  • Alazab, M., Awajan, A., Mesleh, A., Abraham, A., Jatana, V., &Alhyari, S. (2020). COVID-19 prediction and detection using deep learning. International Journal of Computer Information Systems and Industrial Management Applications, 12, 168-181.
  • Scikit-learn: Machine Learning in Python, Pedregosaet al., JMLR 12, pp. 2825-2830, 2011.
  • Asai, T. (2020). COVID-19: accurate interpretation of diagnostic tests—a statistical point of view.
  • Cohen, J. P., Morrison, P., Dao, L., Roth, K., Duong, T. Q., &Ghassemi, M. (2020). Covid-19 image data collection: Prospective predictions are the future. arXiv preprint arXiv:2006.11988.
  • Haykin, S. S. (2008). Neural Networks and Learning Machines,third edition, Pearson.
  • He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
  • Iandola, F. N., Han, S., Moskewicz, M. W., Ashraf, K., Dally, W. J., &Keutzer, K. (2016). SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size. arXiv preprint arXiv:1602.07360.
  • Irvin, J., Rajpurkar, P., Ko, M., Yu, Y., Ciurea-Ilcus, S., Chute, C., ... & Ng, A. Y. (2019, July). Chexpert: A large chest radiograph dataset with uncertainty labels and expert comparison. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 33, No. 01, pp. 590-597).
  • Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
  • Minaee, S., Kafieh, R., Sonka, M., Yazdani, S., &Soufi, G. J. (2020). Deep-Covid: Predicting Covid-19 from chest x-ray images using deep transfer learning. Medical image analysis, 65, 101794.
  • Narin, A., Kaya, C., & Pamuk, Z. (2020). Automatic detection of coronavirus disease (Covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849.
  • Maguolo, G., &Nanni, L. (2020). A critic evaluation of methods for Covid-19 automatic detection from x-ray images. arXiv preprint arXiv:2004.12823.
  • Monard, Maria-Carolina. (2002). A Study of K-Nearest Neighbour as an Imputation Method.
  • Wang, L., Lin, Z. Q., & Wong, A. (2020). Covid-net: A tailored deep convolutional neural network design for detection of Covid-19 cases from chest x-ray images. Scientific Reports, 10(1), 1-12.
  • Brinati, D., Campagner, A., Ferrari, D. et al. Detection of COVID-19 Infection from Routine Blood Exams with Machine Learning: A Feasibility Study. J Med Syst 44, 135 (2020).
  • Abhirup Banerjee, Surajit Ray, Bart Vorselaars, Joanne Kitson, MichailMamalakis, Simonne Weeks, Mark Baker, Louise S. Mackenzie, Use of Machine Learning and Artificial Intelligence to predict SARS-CoV-2 infection from Full Blood Counts in a population, International Immunopharmacology, Volume 86 (2020).
  • AlJame, M., Ahmad, I., Imtiaz, A., & Mohammed, A. (2020). Ensemble learning model for diagnosing COVID-19 from routine blood tests. Informatics in Medicine Unlocked, 21, 10.
  • M.E.H. Chowdhury, T. Rahman, A. Khandakar, R. Mazhar, M.A. Kadir, Z.B. Mahbub, K.R. Islam, M.S. Khan, A. Iqbal, N. Al-Emadi, M.B.I. Reaz, M. T. Islam, “Can AI help in screening Viral and COVID-19 pneumonia?” IEEE Access, Vol. 8, 2020, pp. 132665 - 132676.
  • Rahman, T., Khandakar, A., Qiblawey, Y., Tahir, A., Kiranyaz, S., Kashem, S.B.A., Islam, M.T., Maadeed, S.A., Zughaier, S.M., Khan, M.S. and Chowdhury, M.E., 2020. Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-ray Images.
  • Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708).
  • Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
  • Republic of Turkey Ministry of Health, SARS-CoV-2 Infection Adult Patient Treatment-Scientific Advisory Board Study (7 May 2021 -ANKARA).
  • Cortes, C., Vapnik, V. Support-vector networks. Mach Learn20, 273–297 (1995). https://doi.org/10.1007/BF00994018.
  • RBF SVM Parameters. scikit. (n.d.). Erişim tarihi: 23 Mayıs, 2022, Erişim adresi: https://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html .
  • A. E. Öztaş, D. Boncukçu, E. Özteke, M. Demir, A. Mirici and P. Mutlu, "Covid19 Diagnosis: Comparative Approach Between Chest X-Ray and Blood Test Data," 2021 6th International Conference on Computer Science and Engineering (UBMK), 2021, pp. 472-477, doi: 10.1109/UBMK52708.2021.9558969.
There are 27 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Makaleler(Araştırma)
Authors

Ali Emre Öztaş 0000-0003-1323-8176

Dorukhan Boncukçu This is me 0000-0003-0393-5605

Ege Özteke This is me 0000-0003-4865-9325

Mahir Demir This is me 0000-0003-4845-5074

Arzu Mirici This is me 0000-0002-7189-9258

Pınar Mutlu 0000-0002-7496-0026

Project Number -
Early Pub Date December 3, 2022
Publication Date December 15, 2022
Published in Issue Year 2022 Volume: 15 Issue: 2

Cite

APA Öztaş, A. E., Boncukçu, D., Özteke, E., Demir, M., et al. (2022). Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, 15(2), 95-103. https://doi.org/10.54525/tbbmd.1038234
AMA Öztaş AE, Boncukçu D, Özteke E, Demir M, Mirici A, Mutlu P. Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım. TBV-BBMD. December 2022;15(2):95-103. doi:10.54525/tbbmd.1038234
Chicago Öztaş, Ali Emre, Dorukhan Boncukçu, Ege Özteke, Mahir Demir, Arzu Mirici, and Pınar Mutlu. “Covid19 Tanısı: X-Işını Ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi 15, no. 2 (December 2022): 95-103. https://doi.org/10.54525/tbbmd.1038234.
EndNote Öztaş AE, Boncukçu D, Özteke E, Demir M, Mirici A, Mutlu P (December 1, 2022) Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15 2 95–103.
IEEE A. E. Öztaş, D. Boncukçu, E. Özteke, M. Demir, A. Mirici, and P. Mutlu, “Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım”, TBV-BBMD, vol. 15, no. 2, pp. 95–103, 2022, doi: 10.54525/tbbmd.1038234.
ISNAD Öztaş, Ali Emre et al. “Covid19 Tanısı: X-Işını Ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi 15/2 (December 2022), 95-103. https://doi.org/10.54525/tbbmd.1038234.
JAMA Öztaş AE, Boncukçu D, Özteke E, Demir M, Mirici A, Mutlu P. Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım. TBV-BBMD. 2022;15:95–103.
MLA Öztaş, Ali Emre et al. “Covid19 Tanısı: X-Işını Ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım”. Türkiye Bilişim Vakfı Bilgisayar Bilimleri Ve Mühendisliği Dergisi, vol. 15, no. 2, 2022, pp. 95-103, doi:10.54525/tbbmd.1038234.
Vancouver Öztaş AE, Boncukçu D, Özteke E, Demir M, Mirici A, Mutlu P. Covid19 Tanısı: X-Işını ve Kan Ölçüm Verileri Arasında Karşılaştırmalı Yaklaşım. TBV-BBMD. 2022;15(2):95-103.
 Download Cover Image

Article Acceptance

Use user registration/login to upload articles online.

The acceptance process of the articles sent to the journal consists of the following stages:

1. Each submitted article is sent to at least two referees at the first stage.

2. Referee appointments are made by the journal editors. There are approximately 200 referees in the referee pool of the journal and these referees are classified according to their areas of interest. Each referee is sent an article on the subject he is interested in. The selection of the arbitrator is done in a way that does not cause any conflict of interest.

3. In the articles sent to the referees, the names of the authors are closed.

4. Referees are explained how to evaluate an article and are asked to fill in the evaluation form shown below.

5. The articles in which two referees give positive opinion are subjected to similarity review by the editors. The similarity in the articles is expected to be less than 25%.

6. A paper that has passed all stages is reviewed by the editor in terms of language and presentation, and necessary corrections and improvements are made. If necessary, the authors are notified of the situation.

0

.   This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.