A mobilenet based CNN model with a novel fine tuning mechanism for COVID-19 infection detection
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Adana Alparslan Türkeş Bilim ve Teknoloji Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Aralık 2019'da Çin'in Wuhan kentinde ortaya çıkan COVID-19 adlı yeni bir koronavirüs, dünya çapında hızla yayılması ve ciddi akut solunum sendromuna neden olması nedeniyle çok tehlikeli bir hal aldı. Ocak 2022'de bildirildiği üzere, virüs dünya çapında 349.641.119 kişiye bulaştı ve 5.592.266'dan fazla ölüme neden oldu. Birkaç farklı teşhis yöntemi olmasına rağmen, polimeraz zincir reaksiyonu (PCR), COVID-19 patojeninin laboratuvar teşhisi için ana standart olarak kabul edilir. Ancak test sonuçları birkaç saat ile iki gün arasında elde edilmesi erken müdahalenin önündeki en büyük engeldir. Bu yüzden araştırmacılar, hastalığı teşhis etme süresini kısaltmak için röntgen görüntülerini kullanan alternatif yöntemlere odaklandılar. Bu çalışma, göğüs röntgeni görüntülerini kullanarak COVID-19 hastalığını saptamak için yeni ince ayar mekanizmalarına sahip bir derin aktarım öğrenme yaklaşımı önermektedir. Model, MobileNetV2 mimarisine dayanmaktadır. Önerilen modeli değerlendirmek için, üç sınıf içeren halka açık iki veritabanından birleştirilmiş bir veri seti kullandık: normal, COVID-19 ve pnömoni X-ray görüntüleri. Yaklaşımımızda, sınıflandırma doğruluğunu artırmak için bir klasik ve iki yeni ince ayar mekanizması önerdik ve beş kat çapraz doğrulama ile 3 sınıflı sınıflandırmada ortalama %95.62, %96.10 ve %97.61 doğruluk oranlarına ulaştık. Ayrıca üçüncü modelimiz, toplam ince ayar işlemlerinin %81.92'sini azalttı ve daha iyi sonuçlar elde etti. Sayısal sonuçlar, önerilen yaklaşımın, karmaşık ön işleme adımları olmaksızın ham veriler kullanıldığında umut verici sonuçlar elde ettiğini göstermektedir.
A new coronavirus called COVID-19, which emerged in Wuhan, China, in December 2019, is very dangerous because of its rapid global spread worldwide, causing severe acute respiratory syndrome. It has infected 349.641.119 people worldwide and caused over 5.592.266 deaths, as reported in January 2022. Although there are several different diagnostic methods, polymerase chain reaction (PCR) is considered the gold standard for laboratory diagnosis of the COVID-19 pathogen. However, test results are obtained within a few hours to two days, and this relatively late response is the main barrier to early intervention. Researchers have focused on alternative methods that use x-ray imaging to shorten the time to diagnose the disease. This study proposes a deep-transfer learning approach with novel fine-tuning mechanisms for detecting COVID-19 disease using chest X-ray images. The model is based on the MobileNetV2 architecture. To evaluate the proposed model, we used a combined dataset from two publicly available databases containing three classes: normal, COVID-19, and pneumonia X-ray images. In our approach, we proposed one classical and two new fine-tuning mechanisms to increase classification accuracy and achieved average accuracy rates of 95.62%, 96.10%, and 97.61% for 3-class cases with five-fold cross-validation. In addition, our third model reduced 81.92% of the total fine-tuning operations and achieved better results. The numerical results show that the proposed approach achieves promising results when raw data without complex preprocessing steps are used.
A new coronavirus called COVID-19, which emerged in Wuhan, China, in December 2019, is very dangerous because of its rapid global spread worldwide, causing severe acute respiratory syndrome. It has infected 349.641.119 people worldwide and caused over 5.592.266 deaths, as reported in January 2022. Although there are several different diagnostic methods, polymerase chain reaction (PCR) is considered the gold standard for laboratory diagnosis of the COVID-19 pathogen. However, test results are obtained within a few hours to two days, and this relatively late response is the main barrier to early intervention. Researchers have focused on alternative methods that use x-ray imaging to shorten the time to diagnose the disease. This study proposes a deep-transfer learning approach with novel fine-tuning mechanisms for detecting COVID-19 disease using chest X-ray images. The model is based on the MobileNetV2 architecture. To evaluate the proposed model, we used a combined dataset from two publicly available databases containing three classes: normal, COVID-19, and pneumonia X-ray images. In our approach, we proposed one classical and two new fine-tuning mechanisms to increase classification accuracy and achieved average accuracy rates of 95.62%, 96.10%, and 97.61% for 3-class cases with five-fold cross-validation. In addition, our third model reduced 81.92% of the total fine-tuning operations and achieved better results. The numerical results show that the proposed approach achieves promising results when raw data without complex preprocessing steps are used.
Açıklama
Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
