Bilgisayarlı Tomografi Görüntülerinden COVID-19 Teşhisi İçin Geliştirilen Transfer Öğrenim Modelinin Performansının Artırılması

COVID-19 pnömonisinin erken aşamada hızlı ve doğru teşhisi, pandemiyle mücadelede bir önlem olarak büyük önem taşımaktadır. Gerçek zamanlı ters transkriptaz-polimeraz zincir reaksiyonu (RT-PCR) testi, COVID-19'u belirlemek için altın bir standart gibi görünse bile, kullanılabilirliği ve doğruluğu hala bir zorluktur. Bu nedenle, hastalığın yayılmasını kontrol etmek için alternatif teşhis teknikleri gereklidir. Radyodiyagnostik yöntemler arasında, bilgisayarlı tomografi (BT) tekniği COVID-19 pnömonisini doğru bir şekilde teşhis etmek için en güçlü adaylardan biridir. Bu çalışmada, gerekli tedavinin uygulanmasını ve önlemlerin alınmasını hızlandırmaya yardımcı olmak için göğüs BT taramalarından COVID-19'u yüksek doğruluk ve hassasiyetle tespit etmek üzere uyarlanmış, aktarımı öğrenmeye dayalı güvenilir bir CNN modelinin geliştirilmesi amaçlanmıştır. CNN modelinin eğitim sürecinde kullanılan CT görüntüleri veri seti “SARS-CoV-2 CT-Scan Veri Seti”nden elde edilmiştir. Bu veri kümesi, pozitif COVID-19 vakası için 1252 CT görüntüsü ve COVID-19 olmayan vaka için 1230 CT görüntüsü, toplamda 2482 CT görüntüsü içerir, tüm veriler Sao Paulo, Brezilya'daki hastanelerdeki gerçek hastalardan toplanmıştır. ResNet18, ResNet50, VGG16, AlexNet ve SqueezeNet1_1 mimarileri, transfer öğrenimi ile COVID-19 sınıflarını belirlemek için yeniden eğitildi. En yüksek sınıflandırma performans parametreleri ResNet50 mimarisi için elde edilmiş ve % 99,80 doğruluk,% 99,61 kesinlik ve% 100,00 duyarlılık olarak hesaplanmıştır. CT görüntülerinin önemli alanlarını vurgulamak ve nedensellik ve anlaşılırlığı geliştirmek için aktivasyon haritaları oluşturuldu. Geliştirilen transfer öğrenme modeli, triyajı hızlandırmak ve hastalık kontrolü için kritik zamandan tasarruf etmek ve radyoloğun ilk tanılarını doğrulamasına yardımcı olmak için CT görüntülerinden COVID-19 vakalarının güvenilir klinik teşhisinde kullanılabilir.