Covıd-19 Teşhisi İçin Derin Topluluk Öğrenmeye Dayalı Modellerde Temel Füzyon Tekniklerinin Etkisi

Abstract

Küresel salgın hastalık (pandemi) olarak deklare edilen koronavirüs hastalığı (COVID-19), yeni bir viral solunum yolu hastalığıdır. Hastalık insandan insana damlacık veya temas yoluyla bulaşmaktadır. Hastalığın yayılmasını önlemek için hızlı tanı oranları ile hastalığı erken tespit etmek çok önemlidir. Ancak uzun süren patolojik laboratuvar testleri ve test sonuçlarındaki düşük tanı oranı araştırmacıları farklı teknikleri uygulamaya yöneltmiştir. Radyolojik görüntüleme ile birlikte derin öğrenme tekniklerinin uygulanması bu hastalığın doğru tespitinde oldukça önemli bir yere sahiptir. Bu çalışmada, COVID-19 X-ray veri seti kullanılarak temel füzyon fonksiyonlarının topluluk öğrenme algoritmaları üzerindeki sınıflandırma performansına etkisi araştırılmıştır. Farklı derin öğrenme modellerini birleştirmek için iki farklı topluluk modeli oluşturuldu; Topluluk-1 (Ens-1) ve Topluluk-2 (Ens-2). Bu topluluk modellerinde Maks, Mod, Toplam, Ortalama ve Çarpım gibi temel füzyon fonksiyonları test edilmiştir. Elde edilen değerler incelendiğinde Max ve Product temel füzyon fonksiyonlarının sınıflandırma performansı üzerinde olumlu bir etkiye sahip olduğu görülmektedir. Çoklu sınıflandırmada, hem Ens-1 hem de Ens-2 için Max işlevi sırasıyla %85 ve %86 doğruluk oranıyla öne çıkıyor. Product fonksiyonu, ikili sınıflandırmada %99 ile en yüksek performansı elde etmiştir. Sonuçlar, füzyon yöntemlerinin ikili sınıflandırmada daha iyi sınıflandırma performansı elde edebileceğini göstermektedir.