Makine öğrenimi tabanlı COVID-19 teşhis ve tahmin sistemi: Çeşitli öğrenme algoritmalarının performans analizi ve ilgili hastalıkların sınıflandırılması

Abstract

Bilgisayar görüşü alanında, görüntü sınıflandırma süreci zorlu bir mücadeledir. İnsan beyninin faaliyetlerini ve süreçlerini modelleyen bir hesaplama modeline derin öğrenme algoritması denir. Derin öğrenme, diğerleri arasında ulaşım, finans, hava tahmini ve tıbbi alanlar dahil olmak üzere çok çeşitli potansiyel uygulamalara sahiptir. Derin öğrenme modelini eğitme süreci çok zaman alır ve çok fazla sistem kaynağı tüketir. Derin öğrenme algoritmasının örüntü tanıma ve görüntü sınıflandırma açısından ne kadar iyi performans gösterdiğinin araştırılması günümüzde büyük önem taşımaktadır. Önerilen sistem, Evrişimsel Sinir Ağı (CNN), Genetik Derin Öğrenme Evrişimsel Sinir Ağı (GDCNN), Tekrarlayan Sinir Ağları (RNN'ler), Çok Katmanlı Algılayıcılar (MLP'ler) derin öğrenme algoritmaları kullanarak bir tıbbi görüntü veri sınıflandırma tekniği tasarlamaya dayanmaktadır. Önerilen yaklaşım, veri sınıflandırmasını gerçekleştirmek için iki kıyaslama klinik resim veri kümesine dayanmaktadır: HIS2828 ve ISIC2017-ISIC2020. Diğer ilgili yaklaşımlarla yapılan karşılaştırma sonuçları, önerilen model sınıflandırma doğruluğunun mevcut modellerden daha yüksek olduğunu ortaya koymaktadır.

Within the field of computer vision, the process of picture categorization is a difficult challenge. A computational model that models the activities and processes of the human brain is referred to as the deep learning algorithm. Deep learning has a wide range of potential applications, including those in the transportation, finance, weather forecasting, and medical areas, amongst others. The process of training the deep learning model takes a lot of time and consumes a lot of system resources. Investigating how well the deep learning algorithm performs in terms of pattern recognition and picture categorization is of the utmost importance at this time. The proposed system is based on designing a medical image data classification technique using Convolutional Neural Network (CNN), Genetic Deep Learning Convolutional Neural Network (GDCNN), Recurrent Neural Networks (RNNs), Multilayer Perceptrons (MLPs) deep learning algorithms. The proposed approach based on two benchmark clinical picture datasets: HIS2828 and ISIC2017-ISIC2020 for performing data classification. The results of the comparison with the other relevant approaches reveal that the suggested model classification accuracy is higher than that of the current models.