LUNG BOUNDARY IDENTIFICATION AND COVID-19 CLASSIFICATION USING CT IMAGES BASED ON MACHINE LEARNING

Abstract

ABSTRACT

In early 2020, an existential health catastrophe result in the worldwide spread of the Coronavirus 2019 (COVID-19). Traditional healthcare strategies for treating COVID-19 may be improved with the use of automated CT imaging identification of lung infections as COVID-19. COVID-19 infection can only be diagnosed by using CT imaging. CT images are obtained from two databases: CC-CCII, MosMedData used for lung diagnosis classification (COVID-19 infections and normal). The significant heterogeneity and low density between infected and normal tissues make it difficult to identify infection using CT scans. The earlier COVID-19 infection predicate is used to perform a range of diagnostic activities, which helps identify pathological (COVID-19 infections) as well as enhances CT diagnostic reporting accuracy. Finally, modified machine learning models (CNN and SVM) were used to classify CT images as COVID-19 infection or normal. Analysis of experimental and clinical data shows that the proposed methodologies for examining the variability of the internal geometric characteristics (lung diagnosis classification) of the lung and COVID-19 infections in images are effective. The modified systems showed that the accuracy of SVM with combined LBP with HOG is 98% and modified CNN of 98%.

ÖZET

2020'nin başlarında, bir sağlık felaketi, Coronavirus 2019'un (COVID-19) dünya çapında yayılmasına neden oldu. COVID-19'u tedavi etmeye yönelik geleneksel sağlık hizmetleri stratejileri, COVID-19 gibi akciğer enfeksiyonlarını tanımlamak için otomatik bilgisayarlı tomografi kullanılarak iyileştirilebilir. COVID-19 enfeksiyonu sadece bilgisayarlı tomografi (BT) kullanılarak teşhis edilebilir. BT görüntüleri, BT taramalarında COVID-19 akciğer anormalliklerinin sınıflandırılmasını iyileştirmek amacıyla kullanılan CC-CCII ve MosMedData olmak üzere iki veritabanından elde edilir. Enfekte doku ile normal doku arasındaki büyük heterojenlik ve düşük yoğunluk, BT taramaları kullanarak enfeksiyonu tanımlamayı zorlaştırır. Eski COVID-19 enfeksiyon verileri, hastalıkların (COVID-19 enfeksiyonu) belirlenmesine yardımcı olan ve ayrıca BT tanı raporlamasının doğruluğunu artıran bir dizi tanılama faaliyetini gerçekleştirmek için kullanılır. Son olarak, BT görüntülerini COVID-19 enfeksiyonu veya normal olarak sınıflandırmak için değiştirilmiş makine öğrenme modelleri (CNN ve SVM) kullanıldı. Deneysel ve klinik verilerin analizi, görüntülerdeki akciğer iç geometrik özelliklerinin (sınıflandırma) ve COVID-19 enfeksiyonunun çeşitliliğini incelemek için önerilen metodolojilerin etkili olduğunu göstermektedir. Değiştirilmiş sistemler, HOG ile birleştirilmiş LBP ile SVM'nin doğruluğunun %98 ve değiştirilmiş CNN'nin %98 olduğunu göstermiştir.