Veri çoğaltma ve derin öğrenme teknikleriyle medikal görüntülerden otomatik hastalık tespiti

2019 yılında, Covid-19 hastalığının tüm dünyaya yayılması, yaşamı negatif olarak etkiledi. Covid-19 hastalığı, zatürre hastalığının bir çeşididir. Zatürre hastalarının, derin öğrenme yöntemiyle erken teşhisi, bu tez çalışmanın ana konusudur. Erken teşhis için bireylerin göğüs röntgen görüntüleri (X-Ray görüntüleri), bu tez çalışmada veri kümesi olarak kullanılmıştır. Kaggle veri sitesi üzerindeki, CoronaHack-Chest-Xray, bu tezde veri kümesi olarak kullanılmıştır. Veri kümesindeki görüntülerin; zatürre ve normal olarak, iki farklı sınıfta etiketli olduğu görülmüştür. VGG-16, VGG-19, MobileNet, InceptionV3, Xception; derin öğrenme modelleri bu çalışmada, ayrı ayrı kullanılmıştır. Her bir model 4 farklı metot ile çalıştırılmıştır. Metotlar; 1- Veri artırımı yok ve çapraz doğrulama yok, 2- Veri artırımı yok, çapraz doğrulama var, 3-Veri artırımı var, çapraz doğrulama yok, 4- Veri artırımı var, çapraz doğrulama var. Tüm model ve metodu eşleşme kombinasyonları çalıştırıldığında, CoronaHack-Chest-Xray veri kümesi üzerinde, MobileNet modeli, veri artırımı yok-çapraz doğrulama yok metodu ile, eğitim kümesi %80 – test kümesi %20 olarak, en iyi başarı metrik sonuçları vermiştir. En iyi sonuca sahip modelin; görüntüleri, zatürre ve normal olarak 2 sınıfa ayırmasının, başarı metrikleri özetle şunlardır: Doğruluk metriği %99, kesinlik metriği %98, hatırlama metriği %98. Diğer başarı metrik sonuçları, karmaşıklık matrisi ve diğer model-metot kombinasyonlarının çalıştırılma başarı metrikleri bu tezde elde edilmiştir. ANAHTAR KELİMELER: Derin Öğrenme, Veri Çoğaltma, Medikal Görüntüleme, Covid-19, Zatürre

In 2019, the spread of the Covid-19 disease worldwide negatively affected life. Covid-19 disease is a type of pneumonia disease. Early diagnosis of pneumonia patients with deep learning method is the main subject of this thesis study. Chest X-rays (X-Ray images) of individuals for early diagnosis were used as dataset in this thesis study. This study used coronaHack-Chest-Xray on the Kaggle data site as a dataset. The images in the dataset; It is labeled into two different classes, pneumonia and normal. VGG-16, VGG-19, MobileNet, InceptionV3, and Xception; deep learning models were used separately in this thesis. Each model was run with 4 different methods. Methods; 1- No data augmentation and cross-validation, 2- No data augmentation, cross-validation, 3-Data augmentation, no cross-validation, 4-Data augmentation, cross-validation. When all model and method matching combinations were run, the MobileNet model gave the best success metric results on the CoronaHack-ChestXray dataset, with the no data augmentation-no cross-validation method, training set 80% – test set 20%. The model with the best result, The success metrics of separating the images into 2 classes, pneumonia and normal, are summarized as follows: the accuracy metric is 99%, the precision metric is 98%, and the recall metric is 98%. Other success metric results, complexity matrix, and running success metrics of other model-method combinations were obtained in this thesis. KEYWORDS: Deep Learning, Data Augmentation, Medical Imaging, Covid-19, Pneumonia