A NEW RESPIRATORY DISEASES DETECTION MODEL IN CHEST X-RAY IMAGES USING CNN

Abstract

ABSTRACT

Respiratory disease has a massive global health impact. Respiratory diseases, sometimes known as lung diseases, affect the lungs’ airways and other components. Respiratory disease remains among the world’s major causes of mortality without a doubt. To increase long-term survival rates and improve recovery possibilities, early identification is crucial. Recently, deep learning has demonstrated excellent potential for identifying diseases in medical imaging, particularly respiratory disease. Recent advances in machine learning, such as Deep Learning (DL), make it possible to identify, quantify, and categorize characteristics in medical pictures. The proposed system includes many steps in which images are treated in a variety of ways utilizing grayscale image transformation and histogram equalization. The characteristics are then reduced using a variety of approaches, including Linear Discriminant Analysis (LDA) and Gray Level Co-occurrence Matrix (GLCM). The proposed Convolutional Neural Network (CNN) is then utilized as the system's final stage to distinguish between patients with (COVID-19, Viral Pneumonia, or Lung Opacity) and healthy people, and the system is assessed using a set of assessment criteria. Experiments have been carried out on the Covid-19 Radiography dataset by using the suggested CNN model. This dataset contains 21,165 .png images (consisting of 3616 COVID-19 positive images, 10,192 normal images, 1345 viral pneumonia images, and 6012 Lung Opacity). The dataset is split into two parts utilizing the random sampling approach, the first of which is 70% employed to train the suggested convolution neural network, while the remaining 30% is utilized to test the system later. The obtained outcomes indicate that the suggested system has given an ideal detection accuracy rate of 99.94%, and this is due to the use of feature reduction methods and the proposed convolutional neural network structure.

ÖZET

Solunum yolu hastalığının küresel sağlığa büyük etkisi vardır. Solunum yolu hastalıkları akciğerlerin hava yollarını ve diğer bileşenlerini etkilediğinden dolayı bazen akciğer hastalıkları olarak da bilinir. Solunum yolu hastalıkları dünyanın önde gelen ölümcül hastalıkları arasında yer aldığı inkâr edilemez. Erken teşhis, iyileşme şansını artırmada ve uzun vadeli hayatta kalma oranını artırmada önemli bir etkendir. Derin Öğrenme son zamanlarda tıp yönünden hastalıkları tespit etmede, özellikle de solunum yolu hastalıklarını tespit etme konusunda büyük umut vaat ediyor. Derin Öğrenme (DL) ve diğer mevcut Makine Öğrenimi gelişmeleri, tıbbi görüntülerdeki özelliklerin keşfedilmesine, ölçülmesine ve sınıflandırılmasına olanak tanımaktadır. Önerilen sistem, görüntülerin gri tonlamalı görüntüye dönüşmesi ve histogram eşitleme kullanılarak birçok farklı şekillerde işlendiği çeşitli adımlar içermektedir. Karakteristikler daha sonra Doğrusal Ayırma Analizi (LDA) ve Gri Düzey Birlikte Oluşum Matrisi (GLCM) dahil olmak üzere çeşitli yaklaşımlar kullanılarak eksiltilir. Önerilen Konvolüsyonel Sinir Ağı (CNN), daha sonra (COVID-19, Viral Pnömoni ve ya Akciğer Opaklığı) hastaları ve sağlıklı insanları ayırt etmek için sistemin son aşaması olarak kullanıldı ve sistem bir dizi değerlendirme kriteri kullanılarak değerlendirildi. Önerilen CNN modeli kullanılarak Covid-19 Radyografi veri seti üzerinde deneyler yapılmıştır. Bu veri kümesi 21.165 .png görüntüsü içerir (3616 COVID-19 pozitif görüntü, 10.192 normal görüntü, 1345 viral pnömoni görüntüsü ve 6012 Akciğer Opaklığından oluşur). Veri seti, rastgele örnekleme yaklaşımı kullanılarak iki kısma bölünmüştür; bunlardan ilki, önerilen evrişim sinir ağını eğitmek için kullanılan %70, geri kalan %30 ise sistemi daha sonra test etmek için kullanıldı. Elde edilen sonuçlar, önerilen modelde öznitelik azaltma yöntemleri ve önerilen evrişimli sinir ağı yapısı kullanılmasından dolayı sistemin %99,94 gibi ideal bir tespit doğruluk oranı elde edilmiştir.