A CNN-based hybrid model to detect Coronavirus disease
Authors : Ebru Erdem, Tolga Aydin
Pages : 66-73
Doi:10.31590/ejosat.936820
View : 16 | Download : 4
Publication Date : 2021-11-30
Article Type : Research
Abstract :Bu yazıda, COVID-19 hastalığı için hibrit bir sınıflandırma tekniği önerilmektedir. Önerilen model, iki sınıflı sınıflandırma problemini çözmektedir (covid, normal). Bu çalışmada, üstün derin öğrenme ve makine öğrenimi sınıflandırıcılarını entegre eden hibrit modeller sunduk: Evrişimsel Sinir Ağ (CNN) ve Karar Destek Makinesi (SVM), CNN ve AdaBoost, CNN ve K En Yakın Komşu (kNN), CNN ve Çok Katmanlı Algılayıcı ( MLP), CNN ve Naive Bayes (NB). Bu modellerde CNN, eğitilebilir bir derin özellik çıkarıcı olarak çalışır ve SVM, AdaBoost, kNN, MLP, NB bir tanıyıcı olarak davranır. Tüm deneyler, COVID-CT ve SARS-CoV-2 CT birleşik görüntü veri kümeleri üzerinde gerçekleştirilmiştir. Sonuç olarak, önerilen hibrit yöntemler duyarlılık, doğruluk, kesinlik, F1 puanı, AUC puanı, özgüllük, FPR, FDR ve FNR açısından karşılaştırılmıştır. CNN + SVM, CNN + MLP ve CNN + kNN, diğer modellere göre sırasıyla daha iyi performans gösteren sonuçlar elde etmiştir. Ayrıca, CNN + SVM en iyi performansı gösterdi (% 85,85 hassasiyet,% 85,86 kesinlik,% 85,86 doğruluk,% 85,85 F1 skoru,% 85,85 AUC skoru,% 86,47 özgüllük,% 13,52 FPR,% 13,86 FDR ve% 14,76 FNR) . Sonuçlar incelendiğinde, önerilen hibrit sistemin COVID-19'u tespit etmede etkili olduğu görülüyor. Ayrıca, önerilen hibrit sistemin performansı, literatürdeki COVID-CT ve SARS-CoV-2 CT birleşik görüntü veri kümelerinde bulunan başarılı çalışmalardan daha iyidir.Keywords : Covid-19, hibrit modeller, derin öğrenme, CNN