Derin Öğrenme ile Göğüs Röntgeni Görüntülerinde
Covid-19 Algılama
Covid-19 Detection in Chest X-ray Images with Deep
Learning
Zeynep ÖZDEMİR
Bilgisayar Mühendisliği
Ankara Üniversitesi
2021 29th Signal Processing and Communications Applications Conference (SIU) | 978-1-6654-3649-6/21/$31.00 ©2021 IEEE | DOI: 10.1109/SIU53274.2021.9478028
Ankara, Türkiye
zynpozdemir@ankara.edu.tr
Özetçe—Covid-19’u teşhis etmeye yönelik birincil
yöntemlerden birisi göğüs röntgenlerini incelemektir. Çoğu
hastada bu görüntüler Covid-19 viral pnömonisinden
kaynaklanan anormallikler içerir. Bu çalışmada, Konvolüsyonel
Sinir Ağları kullanılarak bu tür bir pnömoninin görüntüler
üzerinde tespit edilmesine yönelik kapsamlı deneysel incelemeler
yapılmıştır. Literatürde kullanılan yöntemler incelenmiş ve bazı
modellerin karar vermede yetersiz kaldığı saptanmıştır.
Değerlendirme amaçlı, COVID-CXNet veri setinden Covid-19
sınıfı, NIH Chest X-ray veri setinden ise Normal sınıfının verileri
temin edilerek bir ikili sınıflandırma benchmarkı
oluşturulmuştur. İncelenen modellerde, Contrast Limitli Adaptif
Histogram Eşitleme (CHALE) ve Adaptif Sigmoid Fonksiyonuna
dayalı Bi-Histogram Eşitleme (BEASF)  yöntemleri ile veriler ön
işlemden geçirilip model sonuçları karşılaştırılmıştır. Modeller
geliştirilirken  transfer öğrenme yöntemi kullanılarak DenseNet,
VGG ve EfficientNet gibi çeşitli  ImageNet ile önden eğitimli
modeller alana adapte edilmiştir. En yüksek başarı, ön işlemden
geçirilmiş verilerin kullanıldığı EfficientNetB5 modeli ile, 0.99
F1 skoru alınarak elde edilmiştir.
Anahtar Kelimeler — Covid-19, Göğüs Röntgeni,
Konvolüsyonel Sinir Ağları, EfficientNet, Sınıflandırma,
Radyografi
Abstract—One of the primary methods to diagnose Covid-19
illness is to examine Chest X-ray images. In most patients, these
images contain abnormalities caused by Covid-19 viral
pneumonia. In this study, we conducted extensive empirical
analysis to detect such pneumonia on images using Convolutional
Neural Networks. Our analysis on a set of existing CNN models
show that some of these models are insufficient in decision
making. In this context, various binary class classification models
are trained using the Covid-19 data from COVID-CXNet dataset
and Normal class data from the NIH Chest X-ray dataset. We
used Contrast Limited Adaptive Histogram Equalization
(CHALE) and Bi-Histogram Equalization (BEASF) based on
Adaptive Sigmoid Function for preprocessing the data. Using the
transfer learning techniques, ImageNet pretrained models of
various CNN models, i.e. DenseNet, VGGNet, EfficientNet are
adapted to this domain. The best result is obtained, with a 0.99
F1 score, using the EfficientNetB5 model with preprocessed data.
978-1-6654-3649-6/21/$31.00 ©2021 IEEE
Authorized licensed use limited to: IEEE Xplore. Downloaded on August 31,2021 at 22:29:59 UTC from IEEE Xplore. Restrictions apply.
Hacer YALIM KELEŞ
Bilgisayar Mühendisliği
Ankara Üniversitesi
Ankara, Türkiye
hkeles@ankara.edu.tr
Keywords — Covid-19, Chest X-ray, Convolutional Neural
Networks, EfficientNet, Classification, Radiography
I. GİRİŞ
Aralık 2019 tarihinde, Çin Halk Cumhuriyeti’nin Wuhan
kentinde ortaya çıkan ve insanları enfekte edebilen yeni bir
koronavirüs (2019-nCoV) tespit edildi. Bu virüsün neden
olduğu hastalık, Dünya Sağlık Örgütü (DSÖ) tarafından
“Coronavirus Disease 2019 (COVID-19)” olarak adlandırıldı
[1]. Hastalık kısa bir süre içerisinde tüm dünyayı etkiledi ve
DSÖ pandemi ilan etti.
Covid-19’un en önemli yayılma faktörü insandan insana
aktarılmasıdır. En sık rastlanan klinik semptomlar ateş,
öksürük, boğaz ağrısı, baş ağrısı, yorgunluk, kas ağrısı ve nefes
darlığıdır [2]. Ancak tüm bu semptomların hastalığa özel
olmaması ve hastalığın hızla ağır pnömoniye doğru
ilerleyebilmesi sebebiyle güvenilir tanı testlerine ihtiyaç
duyulmaktadır. Covid-19 tanısı için altın standart boğaz
sürüntüsüne bakılan gerçek zamanlı polimeraz zincir
reaksiyonu (RT-PCR) testi olmakla birlikte, göğüs röntgeni,
(Chest X-Ray, kısaca CXR) ve Bilgisayarlı Tomografi (CT)
görüntüleri de tanı koymada etkin biçimde kullanılmaktadır.
Pandeminin başlangıç döneminde RT-PCR testinin yeterli
sayıda temin edilmesindeki güçlükler, test sonuçlarının elde
edilme süresinin uzun sürmesi ve erken dönemde yalancı
negatiflik gösterebilmesi nedeniyle radyolojik görüntüleme
teknikleri yoğun olarak kullanılmıştır [3, 4].
Hastaneye yatırılan vakalarda CT hassas ve başarılı
sonuçlar vermesine rağmen, daha az tercih edilmektedir. CT
cihazları taşınabilir değildir, ekipmanların ve görüntüleme
odasının sürekli olarak sterilize edilmesi gerekmektedir. Ayrıca
radyasyon oranı X-ray ışınlarından oldukça yüksektir.
Tomografinin aksine taşınabilir x-ray cihazlarının bu anlamda
kullanışlılığı daha yüksektir. Çoğu zaman hastanın klinik
durumu CT taramasına izin vermez; bu nedenle CXR ilk
değerlendirme için daha iyi bir seçim olmaktadır [5].
 Radyologlar her gün çok sayıda hasta ziyaret ettiğinden ve
teşhis süreci önemli ölçüde zaman aldığından hata oranı
artabilir. Bu nedenle, otomatik bilgisayar destekli teşhis
sistemleri (CAD) son derece önemlidir. Otomatik derin
öğrenmeye dayalı CAD araçları, daha önce akciğer
hastalıklarının saptanmasında umut verici sonuçlar göstermiştir
[6].
Bu çalışmanın amacı, CXR görüntüleri üzerinden Covid-19
ve Normal ayrımı yapan derin modellerin irdelenmesi ve en iyi
sınıflandırıcı modelin ilgili parametreleriyle belirlenmesidir.
Sınıflandırma yapmak için önceden eğitilmiş Konvolüsyonel
Sinir Ağları (CNN) modelleri kullanılmıştır Bildirinin II.
Bölümünde bağlantılı çalışmalara, Bölüm III’te önerilen
yöntem ve kullanılan veri seti detaylarına, son olarak IV.
Bölümde ise deneysel sonuçlara yer verilip, model sonuçları
değerlendirilmiştir.
II. BAĞLANTILI ÇALIŞMALAR
Covid-19 pnömonisinin farklı tıbbi görüntüler kullanılarak
belirlenmesi, hızla büyüyen bir araştırma konusudur. Makina
öğrenmesi tabanlı yöntemler, manuel özellik çıkarma
algoritmaları ile birlikte birkaç makalede kullanılmıştır [7,8].
Bununla birlikte, çoğu çalışma derin öğrenme tekniklerini
kullanmaktadır. Bazı araştırmacılar sadece CT görüntülerini
kullanarak bu probleme çözüm bulmaya çalışmışlardır [9, 10].
Zhang vd. [11] çalışmasında CXR ve CT verileri ile
karşılaştırmalı bir sınıflandırma ve anomali tespiti yapılmış ve
sonuç olarak CXR ile daha iyi sınıflandırma yapılabileceğini
öne sürmüştür. 70 tane Covid-19 CXR kullanarak %30 yanlış
pozitif sınıflandırma ve 0.72 F1 skorununu paylaşmıştır. Shan
vd. [12] çalışmasında Covid-19, SARS, MERS, Normal gibi
kategorilere ait CXR ile hiyerarşik bir sınıflandırma modeli
geliştirmiştir. Önerilen model ile Covid-19 sınıfına ait 0.75 F1
skoru elde etmiştir. COVID-Net [13] ismi ile geliştirilen bir
başka model ise COVIDx veri setini kullanmıştır. Bu dataset
216 tane Covid-19 hastasına ait 358 CXR içermektedir. VGG-
19 ve ResNet50 ile eğitilmiş modeller ile COVID-Net modeli
karşılaştırıldığında Covid-19 sınıfı için %98.9 pozitif tahmin
oranı ile daha başarılı olduklarını belirtmişlerdir. CoroNet [14]
ismi ile önerilen model Covid-19, Normal, Viral ve Bakteriyel
pnömoni şeklinde dört kategori ile yapılan sınıflandırmada
Covid-19 sınıfında 0.898 F1 skoru elde etmiştir. Geliştirmiş
oldukları modeli eşit şartlarda COVID-Net ile
karşılaştırdıklarında ise başarı oranını %83.5 den %89.6’e
yükseldiğini ifade etmişlerdir. Li vd. [15] COVID-
MobileXpert isimli uygulamayı toplam 537 Covid-19 ve
normal veri üzerinde transfer öğrenme ile geliştirmişlerdir.
Amaçları mobil cihazlar ile pnömoni teşhisi elde etmektir.
Önce akciğer segmentasyonu sonra sınıflandırma
yapmışlardır. İkili sınıflandırmada ön eğitilmiş MobileNetV2
kullanılarak geliştirilen model ile paylaştıkları AUROC (ROC
Eğrisi altındaki alan) oranı 0.97 dir. Rajaraman vd. [16] 313
Covid-19 CXR içeren bir veri seti ile çalışmış ve verilere önce
U-Net tabanlı bir modelle akciğer segmentasyonu uygulamıştır.
Ardından çeşitli topluluk öğrenme stratejileri uygulayıp
parametrelerin azaltılmasını amaçlamıştır. En iyi modellerini,
Inception-V3 ile 0.98 F1 skoru ile elde etmiştir. Yakın
Authorized licensed use limited to: IEEE Xplore. Downloaded on August 31,2021 at 22:29:59 UTC from IEEE Xplore. Restrictions apply.
zamanda yapılan, benzer bir çalışma ise Mangal vd. [17]
tarafından yürütülen CovidAID çalışmasıdır. Öncelikle
DenseNet modelini CheXNet veri seti ile eğitip bu modelin
ağırlıklarını temel modelde ön eğitilmiş model olarak
kullanmışlardır. Elde ettikleri sonuçları COVID-Net ile
karşılaştırdıklarında Covid-19 sınıflandırmada 0.92 gibi bir F1
skoru alarak daha iyi bir performans göstermişlerdir.
III. YÖNTEM
A. Veri Kümesi ve Ön-işleme Yöntemi
Göğüs ile ilgili hastalıklar için ilk aşamada en yaygın
olarak kullanılan görüntüleme tekniği CXR’dir.
Şekil. 1. Rastgele Seçilmiş Covid-19 CXR Görüntüleri
Bağlantılı çalışmalar bölümündeki modellerden de
anlaşılacağı üzere Covid-19 hastalığına ait paylaşılmış oldukça
az sayıda CXR görüntüsü vardır. Bu sebeple Arman [18] farklı
kaynaklardan derleyerek yaklaşık 780 tane Covid-19
görüntüsünden oluşan bir veri seti elde etmiş ve bunu
COVID-CXNet şeklinde isimlendirmiştir. Covid-19 verileri
Arman’ın veri setinden Normal sınıfına ait veriler de NIH
CXR-14 veri setinden temin edilmiştir.
Pozitif sınıftaki az sayıda görüntü nedeni ile veri arttırma
teknikleri kullanarak aşırı öğrenmenin önüne geçilmeye
çalışılmıştır. Radyografi görüntülerinde özenle seçilmiş veri
arttırma teknikleri uygulanmalıdır. CXR görüntülerinde dikey
döndürme işlemi kalbi sağa taşıdığından dekstrokardi
hastalığının belirtilerine sebep olup veride anlamsal
değişikliklere sebep olmaktadır. Bu nedenle dikey ve yatay
döndürme gibi veri arttırma teknikleri uygulanmamıştır.
Sadece 30 derecelik rotasyon uygulanmıştır.
CXR görüntülerindeki anormallik ve hastalıkları bulmak
için radyologlar kontrast değiştiren histogram eşitlemesine
dayalı görüntü iyileştirme yöntemlerini kullanmaktadır. Bunlar
Histogram Eşitleme (HE), Adaptif Histogram Eşitleme (AHE)
ve Contrast Limitli Adaptif Histogram Eşitleme (CHALE)
teknikleridir. Şekil 3’de CHALE yöntemi ile akciğer
nodülünün opaklığının nasıl artırıldığı gösterilmiştir. CHALE ,
medikal alanda, farklı görüntü türlerinde en popüler iyileştirme
yöntemlerinden birisidir [19]. Diğer bir histogram eşitlemeye
dayalı algoritma Adaptif Sigmoid Fonksiyonuna dayalı Bi-
Histogram Eşitleme (BEASF) tekniğidir [20]. BEASF
piksellerin genel ortalama değerine dayalı olarak görüntü
kontrastını uyarlamalı olarak iyileştirir. Bir tane γ hiper
parametresi vardır. Şekil 2, BEASF'ın çıktısını farklı γ
değerleriyle göstermektedir. Bu çalışmada γ değeri 1.5 olarak
kullanılmıştır.

Şekil. 2.  CHALE ve BEASF’ın  Covid-19 CRX  verisine  uygulanması
B. Önerilen Yöntem
Transfer öğrenme, eğitim verisinin az olduğu başka bir
alanda model eğitirken, önden çok sayıda başka veri ile
eğitilmiş bir modelden yararlanılması olarak özetlenebilir. Bu
yaklaşımla, varolan model parametrelerinin yeni alana
uyarlanmasıyla eğitimin daha az veri ile daha başarılı biçimde
gerçekleştirilebilmesi mümkün olabilmektedir. Önceden
eğitimli modeller, yaygın olarak, ImageNet[21] gibi
milyonlarca görüntü içeren veri setleri kullanılarak eğitilmiş
yüksek doğruluk oranına sahip modellerdir. ImageNet üzerinde
eğitimli farklı mimarilere sahip modeller bulunmaktadır;
bunlardan DenseNet121[22], VGG19[22] ve
EfficientNetB5[23] modelleri seçilip, bu araştırma kapsamında
Covid-19 CXR sınıflandırmasında kullanılmıştır. Model
performansları karşılaştırılarak sonuç bölümünde
paylaşılmıştır. Şekil 3’de kullanılan model yapısının ana
şeması gösterilmiştir.
Şekil. 3.  Transfer Öğrenme Kullanılan Model Yapısı
Çalışmada kullanılan toplam imge sayısı Covid-19 için
747, Normal sınıfı için 754 tanedir. Modele girdi olarak verilen
resimlerin piksel çözünürlüğü 224*224 olarak ayarlanmıştır.
Authorized licensed use limited to: IEEE Xplore. Downloaded on August 31,2021 at 22:29:59 UTC from IEEE Xplore. Restrictions apply.
Yığın (batch) sayısı 32 olarak ayarlanıp, erken durdurma
kullanılmıştır. Verilerin %80’i eğitim, %20’si test kümesi
olacak şekilde rastgele seçimle ayrılmıştır; eğitim kümesinin
içinden rastgele seçilen %10’luk veri, doğrulama kümesi
(validation set) olarak kullanılmıştır. Model performansları 5-
kat çapraz doğrulama (5-fold cross validation) ile
değerlendirilmiştir.
Modele, girdi olarak verilen imgeler, aynı çözünürlükte
ayarlanmış ve derinlik ekseninde sıralanmış 3 farklı katman
olarak hazırlanmıştır. İlk katmanda filtresiz orijinal imge yer
almaktadır. İkinci ve üçüncü katmanlar için ise farklı
kombinasyonlarda filtre uygulamaları ile çok sayıda
konfigürasyon üzerinden kapsamlı ampirik değerlendirmeler
gerçekleştirilmiştir. Ön işlem sırasında hazırlanan bu
konfigürasyonları üçlü harf kodu kullanarak sunacağız. Örnek
olarak, XBC kodu ile ifade edilen 3 katmanlı imge, soldan sağa
okunduğunda, X ile ilk katmanda filtresiz (orijinal) imge, B ile
ikinci katmanda BEASF filtresinden geçirilmiş imge, C ile
üçüncü katmanda CHALE filtresinden geçirilmiş imgenin girdi
olarak derinlik ekseninde hizalandığı anlatılmaktadır. İkinci bir
örnek olarak; XXX ifadesinde girdinin üç katmanında da
orijinal imgenin (filtresiz olarak) yer aldığı anlaşılmalıdır. X
şeklinde belirtilen imge gri tonlamalı (grayscale) olup
224*224*1 boyutlarındadır.
Önerilen model Şekil 3’te gösterilmiştir; model 3 katmanlı
girdi alıp önden eğitilmiş modele öznitelik çıkarımı için
iletilmektedir. Bu aşamada, seçilen önden eğitilmiş (omurga)
modelin son evrişimsel katmanın çıktısı doğrudan
tasarladığımız sınıflandırıcı katmanlara iletilmektedir. Bu
yapıda, sırasıyla; düzleştirici katmanı (Flatten Layer), 10 nöron
içeren tam bağlantılı katman (Dense Layer) , 20 nöron içeren
tam bağlı katman ve 2’li sınıflandırma katmanı yer almaktadır.
Modeli düzenlileştirmek ve ezberlemesinin önüne geçmek için
tam bağlı katmanlar arasına %20 oranında dropout
uygulanmıştır. Önerdiğimiz bu model (Şekil 3) deneysel olarak
farklı konfigürasyonlardan en iyi sonucu aldığımız model
yapısıdır. Bu yapıda, önden eğitilmiş (omurga) modellerin
evrişimsel ağlarındaki parametreler eğitime açılmadan,
doğrudan kullanılmıştır. Yalnızca çıkışa eklenen sınıflandırıcı
katmanlar eğitime açılmıştır. Tablo 1’de “Önerilen” olarak
belirtilen model sonuçları, Şekil 3’de paylaşmış olduğumuz
yapıda sınıflandırıcı içeren modellerden aldığımız sonuçlardır;
“Temel” olarak belirtilen performanslar ise düzleştirici
katmanın doğrudan sınıflandırıcı katmana bağlanması ile
tasarlanan temel (baseline) modellerinden elde ettiğimiz
skorlardır.
IV. SONUÇ VE TARTIŞMA
Sonuçları paylaşılmış olan önden eğitimli modeller
haricinde literatürdeki çok farklı modeller ile deneyler yapılmış
ancak en stabil ve başarılı bulduğumuz 3 tanesinin sonuçları
paylaşılmıştır.
Tablo 1’deki modelleri eğitirken 754 tane normal, 747 tane
Covid-19 CXR kullanılmıştır. Modellerde veri arttırma
yöntemi olarak 30 derecelik rotasyon uygulanmıştır. Paylaşılan
sonuçlar, 5 kat çapraz doğrulama ile elde edilip model
sonuçlarının ortalama değerleri hesaplanarak oluşturulmuştur.
 TABLO I. MODEL SONUÇLARI [5] B. Furlow, “Radiation dose in computed tomography,” Radiologic
Technology, vol. 81, no. 5, pp. 437–450, 2010.
Model F1-skoru F1-skoru  [6] P. Lakhani and B. Sundaram, “Deep learning at chest radiography:
Girdi Omurga Model
# (Temel Model) (Önerilen Model) automated classification of pulmonary tuberculosis by using
convolutional neural networks,” Radiology, vol. 284, no. 2, pp. 574–
M1 XXX DenseNet121 0.9541 0.9553 582, 2017.
[7] A. E. Hassanien, L. N. Mahdy, K. A. Ezzat, H. H. Elmousalami, and H.
M2 XBC DenseNet121 0.9729 0.9882 A. Ella, “Automatic x-ray covid-19 lung image classification system
based on multi-level thresholding and support vector machine,”
M3 XXX VGG19 0.9786 0.9701 medRxiv, 2020.
[8] N. Dey, V. Rajinikant, S. J. Fong, M. S. Kaiser, and M. Mahmud,
M4 XBC VGG19 0.9901 0.9905 “Social-group-optimization assisted kapur’s entropy and morphological
segmentation for automated detection of covid-19 infection from
M5 XXX EfficientNetB5 0.9636 0.9649 computed tomography images,” Preprints, 2020.
[9] D. Al-Karawi, S. Al-Zaidi, N. Polus, and S. Jassim, “Ai based chest x-
M6 XBC EfficientNetB5 0.9906 0.9977 ray (cxr) scan texture analysis algorithm for digital test of covid-19
patients,” medRxiv, 2020.
[10] F. Shan, Y. Gao, J. Wang, W. Shi, N. Shi, M. Han, Z. Xue, D. Shen,
Model sonuçlarından elde edilen en temel çıkarım; veri ön and Y. Shi, “Lung infection quantification of covid-19 in ct images with
işleme yapılarak eğitilmiş modellerin başarı oranını arttığıdır. deep learning,” arXiv preprint arXiv:2003.04655, 2020.
XBC girdisi ile elde edilen sonuçlar her koşulda XXX [11] J. Zhang, Y. Xie, Y. Li, C. Shen, and Y. Xia, “Covid-19 screening on
sonuçlarından yüksek çıkmaktadır. CHALE ve BEASF chest x-ray images using deep learning based anomaly detection,” arXiv
preprint arXiv:2003.12338, 2020.
filtrelerinin uygulandığı modeller önden eğitilmiş modelden
bağımsız olarak daha iyi bir F1 skoru elde etmemizi [12] 11R. M. Pereira, D. Bertolini, L. O. Teixeira, C. N. Silla Jr, and Y. M.
Costa, “Covid-19 identification in chest x-ray images on flat and
sağlamıştır. Ayrıca önerdiğimiz yapıdaki - ekstra tam bağlı hierarchical classification scenarios,” Computer Methods and Programs
katman içeren - modeller, temel modele göre bir miktar daha in Biomedicine, p. 105532, 2020.
başarılı sonuçlar vermiştir. Aradaki performans farkı çok fazla [13] L. Wang and A. Wong, “Covid-net: A tailored deep convolutional neural
olmadığından, bu problemin çözümünde temel modeller (daha network design for detection of covid-19 cases from chest radiography
az parametre içerdiğinden) doğrudan kullanılabilir. images,” arXiv preprint arXiv:2003.09871, 2020.
[14] A. I. Khan, J. L. Shah, and M. M. Bhat, “Coronet: A deep neural
DenseNet121, VGG19 ve EfficientNetB5 modellerinin network for detection and diagnosis of covid-19 from chest x-ray
kullanıldığı deneylerde F1 skoru 0.95 - 0.99 aralığındadır. images,” Computer Methods and Programs in Biomedicine, p. 105581,
VGG19 un parametre sayısı 20 milyon, EfficientNetB5 28 2020.
milyon ve DenseNet121’in 7 milyon civarındadır. Daha az [15] X. Li, C. Li, and D. Zhu, “Covid-mobilexpert: On-device covid-19
parametre sayısı ile DenseNet121 ön eğitimli modelini screening using snapshots of chest x-ray,” 2020.
kullandığımız model 0,98 F1 skoruna ulaşmıştır. Bu sebeple [16] S. Rajaraman, J. Siegelman, P. O. Alderson, L. S. Folio, L. R. Folio, and
öncelikli olarak tercih edilebilir. Yapılan kapsamlı deneysel S. K. Antani, “Iteratively pruned deep learning ensembles for covid-19
analizlerimiz neticesinde en iyi sonucu EfficientNetB5 modeli detection in chest x-rays,” arXiv preprint arXiv:2004.08379, 2020.
ile elde etmiş bulunuyoruz. Yapılmış olan veri ön işlemlerinin [17] A. Mangal, S. Kalia, H. Rajgopal, K. Rangarajan, V. Namboodiri, S.
olumlu sonuçlarını açıkça gözlemlediğimiz bu modelde, Banerjee, and C. Arora, “Covidaid: Covid-19 detection using chest x-
doğruluk oranı %99 olup F1 skor oranı 0,99’a ulaşmıştır. ray,” arXiv preprint arXiv:2004.09803, 2020.
[18] HAGHANIFAR, Arman; MAJDABADI, Mahdiyar Molahasani; KO,
Bu çalışmada sadece Normal ve Covid-19 verileri Seokbum. Covid-cxnet: Detecting covid-19 in frontal chest x-ray images
kullanılarak sınıflandırma yapılmıştır. Covid-19 ile diğer using deep learning. arXiv preprint arXiv:2006.13807, 2020.
hastalıkların ortak sınıflandırılması önemli ve zorlu bir [19] S. M. Pizer, E. P. Amburn, J. D. Austin, R. Cromartie, A. Geselowitz, T.
araştırma alanıdır. Takip eden çalışmalarımızda, hastalara ait Greer, B. ter Haar Romeny, J. B. Zimmerman, and K. Zuiderveld,
yaş, cinsiyet, hastalık geçmişi gibi bilgileri de kullanarak “Adaptive histogram equalization and its variations,” Computer Vision,
Graphics, and Image Processing, vol. 39, no. 3, pp. 355–368, 1987.
Covid-19 ve diğer hastalıklarla bir arada değerlendirme yapan
bir çalışma yürütmeyi planlamaktayız. [20] E. F. Arriaga-Garcia, R. E. Sanchez-Yanez, and M. Garcia-Hernandez,
“Image enhancement using bi-histogram equalization with adaptive
sigmoid functions,” in 2014 International Conference on Electronics,
KAYNAKLAR Communications and Computers (CONIELECOMP). IEEE, 2014, pp.
[1] WHO. (2020) Coronavirus disease 2019 (covid-19): situation report. 28–34.
[Online]https://www.who.int/docs/default-source/coronaviruse/situation- [21] Imagenet:https://www.image-net.org/index.php Erişim Tarihi :
reports/20210504_weekly_epi_update_38.pdf? 07.05.2021
sfvrsn=2117260_5&download=true Erişim Tarihi: 06/05/2021
[22] Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017).
[2] J. P. Kanne, B. P. Little, J. H. Chung, B. M. Elicker, and L. H. Ketai, Densely connected convolutional networks. In Proceedings of the IEEE
“Essentials for radiologists on covid-19: an update—radiology scientific conference on computer vision and pattern recognition (pp. 4700-4708).
expert panel,” 2020.
[23] Tan, M., & Le, Q. (2019, May). Efficientnet: Rethinking model scaling
[3] D. C. Rio, “Reverse transcription-polymerase chain reaction,” Cold for convolutional neural networks. In International Conference on
Spring Harbor Protocols, vol. 2014, no. 11, pp. pdb–prot080 887, 2014. Machine Learning (pp. 6105-6114). PMLR.
[4] H. X. Bai, B. Hsieh, Z. Xiong, K. Halsey, J. W. Choi, T. M. L. Tran, I.
Pan, L.-B. Shi, D.-C. Wang, J. Mei et al., “Performance of radiologists
in differentiating covid-19 from viral pneumonia on chest ct,”
Radiology, p. 200823, 2020.

Authorized licensed use limited to: IEEE Xplore. Downloaded on August 31,2021 at 22:29:59 UTC from IEEE Xplore. Restrictions apply.