Diagnosis and Prediction of Covid-19 From Radiological Images Using a Hybrid Approach Based on Deep Learning Architectural Structure

Abstract

SARS-CoV-2 virüsü kaynaklı yeni bir Koronavirüs hastalığı olan ve etkisini tüm dünyada göstermeye devam eden COVID-19 pandemisi resmi olarak toplamda 623 milyondan fazla vaka sayısına ulaşarak 6.5 milyondan fazla insanın ölümüne sebeb olmuştur. Bu virusün insan vücudunda yaptığı tahribatlar sonucunda, özellikle akciğerideki deformasyon belirgin hale gelmiştir. Bu tezde, derin öğrenme mimarileri olan evrişimsel sinir ağı (Convolutional Neural Network - CNN) ile tekrarlayan sinir ağı (Recurrent Neural Network- RNN) kullanarak akciğer bilgisayarlı bomografi (computed tomography - CT) ve enerjisi yüksek frekanslı elektromanyetik radyasyon (energetic high-frequency electromagnetic radiation - X-Ray) görüntülerinden COVID-19'un teşhisi ve tahmin edilmesi amaçlanmıştır. Bu amaçla tez kapsamında öncelikle CNN mimarisi esas alınarak pozitif COVID-19, negatif COVID-19 ile akciğer iltihabı vakalarından oluşan ve toplam 9150 adet olan akciğer X-Ray ve CT radyolojik görüntülerden özellik çıkarımı gerçekleştirilmiştir. Sonrasında ise RNN mimarisi olan Uzun kısa süreli bellek (long short-term memory ˗ LSTM) modeli esas alınarak görüntülerin sınıflandırması gerçekleştirilmiştir. Tasarlanan hibrit (CNN+LSTM) mimarisi ile test görüntülerinin sınıflandırılmasında %93'lük bir doğruluğa ulaşılmıştır. Bu tezde, radyolojik görüntülerden pozitif COVID-19'un sınıflandırılmasında RNN-LSTM modeli ile farklı bir hibrit mimari yapı tasarlanarak; hem literature katkı sağlanmış, hem de pozitif COVID-19 vakalarının teşhisi ve tahmin edilmesi sürecinde radyologların hızlı ve doğru karar vermelerine yardımcı olunmuştur.

The COVID -19 pandemic, a new coronavirus disease caused by the SARS-CoV-2 virus that continues to show its effects throughout the world, has officially reached a total of more than 623 million cases and caused the death of more than 6.5 million people. As a result of the destruction of this virus in the human body, deformities are observed, especially in the lungs. This thesis, it is about diagnosis and prediction COVID-19 of lung computed tomography (CT) and energetic radiofrequency electromagnetic radiation (X-Ray) using deep learning architectures Convolutional Neural Network (CNN) and Recurrent Neural Network (RNN). For this purpose, within the scope of the thesis, mainly based on CNN architecture, feature extraction is performed from 9150 X-Ray lung images and CT radiological images consisting of positive COVID -19, negative COVID -19 and pneumonia cases. Afterward, the classification of the images is performed based on the Long Short-Term Memory (LSTM) model, which is the RNN architecture. With the designed hybrid (CNN+LSTM) architecture, an accuracy of 93% has been achieved in the classification of test images. In this thesis, a different hybrid architectural structure is designed with the RNN-LSTM model in the classification of positive COVID-19 from radiological images; not only contributed to the literature but also helped Radiologists to make quick and accurate decisions in the diagnosis and estimation of positive COVID-19 cases.