Covid-19 Tanılı Bilgisayarlı Tomografi Görüntülerinde Akciğer ve Pnömoni Bölgelerinin Farklı Senaryolarda Semantik Segmentasyonu
Yükleniyor...
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Çin’in Vuhan kentinde ortaya çıkan COVID-19 hastalığı tüm dünyaya hızlı bir
şekilde yayılarak, ülkeleri sosyolojik ve ekonomik olarak ciddi anlamda etkilemiştir.
Hastalık tat ve koku duyusunun kaybedilmesi, kuru öksürük ve akciğerlerde pnömoni
ile kendini göstermektedir. Hastalığın teşhisi burundan alınan sürüntünün PCR testine
verilmesi ve bilgisayarlı tomografi görüntülerinin incelenmesi ile gerçekleştirilmektedir.
Ancak PCR testlerinin yanlış negatif değerlerinin çok fazla olması teşhis sürecini yanlış
yönlendirebilmektedir. Bilgisayarlı tomografi görüntülerinde buzlanma şeklinde
pnömonin görülmesi teşhis sürecini hızlandırmaktadır. Bu tez çalışmasında, ZENODO
veri seti kullanılarak COVID-19 bilgisayarlı tomografi görüntülerinde farklı
senaryolarda semantik segmentasyon işlemi gerçekleştirilmiştir. Veri setinde bulunan
maske görüntülerinde ön işlemeler gerçekleştirilerek sekiz farklı senaryo için akciğer ve
pnömoni bölgelerinin maskeleri türetilmiştir. DeepLabV3+ semantik segmentasyon
modeline ResNet-18, ResNet-50, MobileNet-v2, Xception, Inception-ResNet-v2
entegre edilerek sekiz farklı maske için kırk deneme yapılmıştır. Sonuçlar doğruluk,
jaccard (IoU), küresel doğruluk, ortalama doğruluk, ortalama IoU, ağırlıklı IoU,
ortalama BF(F1) puanı performans kriterleri ile değerlendirilmiştir. Çalışma sonucunda
akciğer ve pnömoni bölgelerinin farklı kombinasyonlarda oluşan maskelerinin semantik
segmentasyona etkisi tartışılmıştır. Bilgisayarlı tomografi görüntülerinde akciğer ve
pnömoni bölgelerinin DeepLabV3+ ile semantik segmentasyonun etkili ve başarılı
sonuçlar verdiği gözlemlenmiştir.
The COVID-19 disease, which emerged in Wuhan, China, spread rapidly all over the world and seriously affected countries sociologically and economically. The disease manifests itself with loss of sense of taste and smell, dry cough and pneumonia in the lungs. The diagnosis of the disease is made by giving the swab taken from the nose to the PCR test and examining the computed tomography images. However, too many false negative values of PCR tests can mislead the diagnostic process. Observation of pneumonia in the form of icing on computed tomography images accelerates the diagnostic process. In this thesis, semantic segmentation was performed in different scenarios on COVID-19 computed tomography images using the ZENODO data set. Masks of the lung and pneumonia regions were derived for eight different scenarios by preprocessing the mask images in the dataset. Forty attempts were made for eight different masks by integrating ResNet-18, ResNet-50, MobileNet-v2, Xception, Inception-ResNet-v2 into the DeepLabV3+ semantic segmentation model. The results were evaluated with the performance criteria of accuracy, jaccard (IoU), global accuracy, average accuracy, average IoU, weighted IoU, average BF(F1) score. As a result of the study, the effect of masks formed in different combinations of lung and pneumonia regions on semantic segmentation is discussed. It has been observed that semantic segmentation of lung and pneumonia regions with DeepLabV3+ gives effective and successful results in computed tomography images.
The COVID-19 disease, which emerged in Wuhan, China, spread rapidly all over the world and seriously affected countries sociologically and economically. The disease manifests itself with loss of sense of taste and smell, dry cough and pneumonia in the lungs. The diagnosis of the disease is made by giving the swab taken from the nose to the PCR test and examining the computed tomography images. However, too many false negative values of PCR tests can mislead the diagnostic process. Observation of pneumonia in the form of icing on computed tomography images accelerates the diagnostic process. In this thesis, semantic segmentation was performed in different scenarios on COVID-19 computed tomography images using the ZENODO data set. Masks of the lung and pneumonia regions were derived for eight different scenarios by preprocessing the mask images in the dataset. Forty attempts were made for eight different masks by integrating ResNet-18, ResNet-50, MobileNet-v2, Xception, Inception-ResNet-v2 into the DeepLabV3+ semantic segmentation model. The results were evaluated with the performance criteria of accuracy, jaccard (IoU), global accuracy, average accuracy, average IoU, weighted IoU, average BF(F1) score. As a result of the study, the effect of masks formed in different combinations of lung and pneumonia regions on semantic segmentation is discussed. It has been observed that semantic segmentation of lung and pneumonia regions with DeepLabV3+ gives effective and successful results in computed tomography images.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
DeepLabV3+, Derin öğrenme, Pnömoni, Semantik segmentasyon, Yapay zeka, Artificial intelligence, Deep learning, Pneumonia, Semantic segmantation, COVID-19
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Alemdaroğlu, H. E. (2022). Covid-19 tanılı bilgisayarlı tomografi görüntülerinde akciğer ve pnömoni bölgelerinin farklı senaryolarda semantik segmentasyonu. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Biyomedikal Mühendisliği Anabilim Dalı, Konya.
