Derin Transfer Öğrenmesi Kullanarak Gömülü Platformda Göğüs Röntgeni Görüntülerinden Etkili Pnömoni Tespiti
DOI:
https://doi.org/10.5281/zenodo.14994984Ключевые слова:
Pnömoni, Transfer Öğrenme, Gömülü Sistemler, Görüntü İşlemeАннотация
Pnömoni, dünya genelinde özellikle çocuklar ve yaşlılar için ciddi tehditler oluşturan önemli bir sağlık sorunudur. Erken teşhis ve doğru tedavi, hastaların yaşam kalitesini ve hayatta kalma oranlarını artırmada kritik bir rol oynamaktadır. Tıbbi görüntüleme teknikleri, pnömoni teşhisinde vazgeçilmez araçlar olup, invaziv olmayan yöntemlerle hastaların iç organlarının görüntülenmesini sağlamaktadır. Son yıllarda, yapay zekâ ve özellikle derin öğrenme yöntemleri, tıbbi görüntü analizinde büyük ilerlemeler kaydetmiştir. Transfer öğrenme, büyük veri kümeleri ve güçlü işlemciler kullanarak tıbbi görüntülerden anlamlı özellikler çıkarmakta ve bu görüntüleri yüksek doğruluk oranlarıyla sınıflandırmaktadır. Bu çalışmada, transfer öğrenme yöntemi kullanılarak önceden eğitilmiş MobileNetV2 modeli ile pnömoni ve normal akciğer röntgen görüntüleri kişisel bilgisayarda sınıflandırılmıştır. Veri seti, Hindistan Bilim Enstitüsü, PES Üniversitesi, MS Ramaiah Teknoloji Enstitüsü ve Concordia Üniversitesi tarafından sağlanan röntgen görüntülerini içermektedir (doi: 10.17632/9xkhgts2s6.3). Modelin performansı doğruluk, hassasiyet, duyarlılık ve özgüllük gibi metriklerle değerlendirilmiş ve düşük hesaplama maliyetleriyle yüksek doğruluk sağladığı görülmüştür. Eğitilen model, düşük maliyetli, yüksek performanslı ve taşınabilir bir gömülü sistem olan Nvidia Jetson Nano üzerinde çalıştırılmış ve bu platformdaki performansı incelenmiştir. Kişisel bilgisayarda modelin tahmin süresi 36.57 milisaniye, doğruluk %98.1, duyarlılık %97.8, özgüllük %98.5, kesinlik %98.9 ve F1-skoru %98.4 olarak elde edilmiştir. Jetson Nano platformunda ise tahmin süresi 111.2 milisaniye, doğruluk %97.8, duyarlılık %96.8, özgüllük %99.4, kesinlik %99.6 ve F1-skoru %98.2 olarak kaydedilmiştir. Çalışmanın bulguları, MobileNetV2 modelinin Nvidia Jetson Nano gömülü platformunda etkin şekilde çalışabileceğini ve yüksek performans sağladığını göstermektedir. Bu çalışma, pnömoni teşhisinde derin öğrenme ve gömülü sistemlerin entegrasyonunu kullanarak yenilikçi ve etkili bir çözüm sunmaktadır. Gelecekteki araştırmalar, daha büyük veri kümeleri ve çeşitli derin öğrenme modelleri kullanarak sınıflandırma performansını daha da artırabilir ve sağlık hizmetlerinin kalitesini ve erişilebilirliğini önemli ölçüde iyileştirebilir.
Библиографические ссылки
Antin, B., Kravitz, J., & Martayan, E. (2017). Detecting pneumonia in chest X-Rays with supervised learning. 2017.
Feng, Y., Xu, X., Wang, Y., Lei, X., Teo, S. K., Sim, J. Z. T., ... & Tan, C. H. (2021). Deep supervised domain adaptation for pneumonia diagnosis from chest x-ray images. IEEE Journal of Biomedical and Health Informatics, 26(3), 1080-1090.
Naralasetti, V., Shaik, R. K., Katepalli, G., & Bodapati, J. D. (2021). Deep Learning Models for Pneumonia Identification and Classification Based on X-Ray Images. Traitement du Signal, 38(3), 903-909.
Jha, A., John, E., & Banerjee, T. (2022, August). Transfer Learning for COVID-19 and Pneumonia Detection using Chest X-Rays. In 2022 IEEE 65th International Midwest Symposium on Circuits and Systems (MWSCAS) (pp. 1-4). IEEE.
Kassem, M., & Albaker, B. M. (2022). Efficient classification model of pneumonia infection based on deep transfer learning and chest X-Ray images. Al-Iraqia Journal for Scientific Engineering Research, 1(1), 58-67.
Avola, D., Bacciu, A., Cinque, L., Fagioli, A., Marini, M. R., & Taiello, R. (2022). Study on transfer learning capabilities for pneumonia classification in chest-x-rays images. Computer Methods and Programs in Biomedicine, 221, 106833.
Rahman, T., Chowdhury, M. E., Khandakar, A., Islam, K. R., Islam, K. F., Mahbub, Z. B., ... & Kashem, S. (2020). Transfer learning with deep convolutional neural network (CNN) for pneumonia detection using chest X-ray. Applied Sciences, 10(9), 3233.
Cyriac, S., Raju, N., & Kim, Y. W. (2022, October). Pneumonia Detection using Ensemble Transfer Learning. In 2022 13th International Conference on Information and Communication Technology Convergence (ICTC) (pp. 479-484). IEEE.
Mohamed, C., Mwangi, R. W., & Kihoro, J. M. (2024). Enhancing Pneumonia Detection in Pediatric Chest X-Rays Using CGAN-Augmented Datasets and Lightweight Deep Transfer Learning Models. Journal of Data Analysis and Information Processing, 12(01), 1-23.
Hashmi, M. F., Katiyar, S., Keskar, A. G., Bokde, N. D., & Geem, Z. W. (2020). Efficient pneumonia detection in chest xray images using deep transfer learning. Diagnostics, 10(6), 417.
Romera, T., Petreto, A., Lemaitre, F., Bouyer, M., Meunier, Q., & Lacassagne, L. (2021, August). Implementations impact on iterative image processing for embedded GPU. In 2021 29th European Signal Processing Conference (EUSIPCO) (pp. 736-740). IEEE.
Srinivasan, A., & Wang, N. (2021, October). An Effective approach for implementing COVID-19 CT Lung Segmentation using Low-Cost System On Chip. In 2021 IEEE 12th Annual Information Technology, Electronics and Mobile Communication Conference (IEMCON) (pp. 0754-0759). IEEE.
Lou, L., Liang, H., & Wang, Z. (2023). Deep-Learning-Based COVID-19 Diagnosis and Implementation in Embedded Edge-Computing Device. Diagnostics, 13(7), 1329.
Satheeshkumar, K. G., Arunachalam, V., & Deepika, S. (2024). Hand-held GPU accelerated device for multiclass classification of X-ray images using CNN model. Microprocessors and Microsystems, 106, 105046.
Lekshmy, S., Sridhar, K. P., & Roberts, M. K. (2024). Analyzing the performance of a bio-sensor integrated improved blended learning model for accurate pneumonia prediction. Results in Engineering, 22, 102063.
Abubeker, K. M., & Baskar, S. (2023). B2-Net: an artificial intelligence powered machine learning framework for the classification of pneumonia in chest x-ray images. Machine Learning: Science and Technology, 4(1), 015036.
Ulutas, H., Sahin, M. E., & Karakus, M. O. (2023). Application of a novel deep learning technique using CT images for COVID-19 diagnosis on embedded systems. Alexandria Engineering Journal, 74, 345-358.
Sait, U., Lal, K., Prajapati, S., Bhaumik, R., Kumar, T., Sanjana, S., & Bhalla, K. (2020). Curated dataset for covid-19 posterior-anterior chest radiography images (x-rays). Mendeley Data, 1(J).
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L. C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4510-4520).
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2025 ICONTECH INTERNATIONAL JOURNAL
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
