The number of COVID-19 patients around the globe is increasing day by day. Statistics show that even after almost 10 months from outbreak, number of the total patients has not reached to its peak value yet. Easy spreading of the virus among people causes high number of patients at the same time. Accelerating the reduction in spread is of vital importance. In order to achieve this reduction, early diagnosis of the disease and the number of tests and scans to be performed frequently becomes important. In this paper, a comprehensive model examination is made to overcome COVID-19 diagnosing problem. Using CT images, data augmentation technique is applied first in the pre-processing section and then pre-trained deep CNN networks perform the classification. The model is tested using various networks and high accuracy results of 96.5% and 97.9% are obtained for VGG-16 and EfficientNetB3 networks, respectively.

No abstract

Dünyadaki koronavirüs hasta sayısı her geçen gün artmaktadır. Hastalığın ortaya çıkışının üzerinden bir seneden fazla zaman geçmesine rağmen istatistiklere göre henüz hasta sayısındaki zirve görülmemiştir. Hasta sayısındaki artışın zamana yayılması hastane doluluk oranlarının tehlikeli boyutlara ulaşmasını önlemek için önemlidir. Bu nedenle virüsü taşıyan bireylerin hızlıca teşhis edilerek hastalık geçene kadar toplumdan soyutlanmaları gerekmektedir. Bu çalışmada X-ray görüntüsü kullanılarak yapılabilecek hızlı hastalık teşhisi için kapsamlı bir yapay sinir ağı tabanlı model önerilmiştir. Koronavirüsün akciğerler dokularında yarattığı tahribattan yararlanılarak teşhis işlemi saniyeler içerisinde yapılabilmektedir. Çalışmaya konu olan model, X-ray görüntülerini ön-işlemlerden geçirerek iyileştirmekte ve çoğullamaktadır. DenseNet201, ResNeXt-101(32×8d), VGG-19bn ve Wide-ResNet101-2 ağları kullanılarak eğitim yapıldıktan sonra görüntüden Covid-19 pozitif veya negatif olarak teşhis konulmasını sağlamaktadır. Çalışmada elde edilen en iyi sonuç %94.79 genel doğruluk oranıyla ResNeXt-101(32×8d) ağı kullanılarak gerçekleştirilmiştir. Anahtar Kelimeler: Covid-19, hastalık teşhisi, x-ray, yapay sinir ağları.

Spektral karışım giderimi hiperspektral görüntülemenin temel araştırma alanlarından birisidir. Son yıllarda Negatif-olmayan Tensör Faktörizasyonuna dayalı yaklaşımlar, bilgi kaybına uğratmadığı ve hiperspektral görüntüleri daha iyi temsil edebildiği için uzaktan algılamada büyük bir önem kazanmıştır. Toplam Değişinti yaklaşımı ise, parçalı pürüzsüzlüğü sağlarken kenar bilgisini de korumaktadır. Öte yandan, kızılötesi algılayıcısı gözlemlenen sahne hakkında yükseklik bilgisini veren Dijital Yüzey Modeli verisini sağlamaktadır. Bu çalışmada, LiDAR Dijital Yüzey Modeli bilgisiyle Toplam Değişinti kısıtı birleştirilerek hiperspektral görüntülerin uzamsal çözünürlüğünü artırmak için tensör faktörizasyonuna dayalı karışım giderimi gerçekleştirilmiştir. Deneysel çalışmalar simülasyon ve gerçek veri setleri üzerinde denenmiş ve uzamsal çözünürlüğü artırılmış hiperspektral görüntüler elde edilmiştir. Elde edilen sonuçlar, literatürdeki en yakın çalışma olan Toplam Değişinti kısıtlı Negatifolmayan Matris-Vektör Tensor Faktörüzasyonu yöntemi ile karşılaştırılmış ve önerilen yöntemin daha iyi performans sergilediği gözlemlenmiştir.Spectral unmixing is one of the main research areas of hyperspectral image analysis. In recent years, Non-Negative Tensor Factorization based approaches have gained great importance in remote sensing as they do not lose information and can better represent hyperspectral images. The Total Variation approach preserves the edge information while providing piece-wise smoothness. On the other hand, the Light Detection and Ranging sensor provides Digital Surface Model information that gives height information about the observed scene. In this study, hyperspectral unmixing based on tensor factorization is performed to increase the spatial resolution of hyperspectral images by combining LiDAR Digital Surface Model information with Total Variation constrained. Experimental studies are carried out on simulation and real data sets and high spatial resolution hyperspectral images is obtained. The obtained results is compared with the state of the art Total Variation constrained Matrix-Vector Non-Negative Tensor Factorization approach and it is observed that the proposed method obtain better performance.

No abstract