Öz
Bu çalışmada göğüs röntgeni görüntülerinden zatürrenin otomatik tespiti için açıklanabilir bir derin öğrenme çerçevesi önerilmiştir. ResNet-50 ve EfficientNet-B3 mimarileri aktarım öğrenmesi ile eğitilmiş, sınıf dengesizliği ağırlıklı kayıp fonksiyonu ile giderilmiştir. Model kararları Grad-CAM ve LIME yöntemleriyle görselleştirilerek iki radyoloğun işaretlemeleriyle karşılaştırılmıştır. Önerilen topluluk modeli test kümesinde %94,1 doğruluk ve 0,97 AUC değerine ulaşmıştır. Isı haritalarının radyolog işaretlemeleriyle ortalama %71 örtüştüğü görülmüş, bu da modelin klinik açıdan anlamlı bölgelere odaklandığını göstermiştir.
An Explainable Deep Learning Approach for Pneumonia Detection in Chest Radiographs
This study proposes an explainable deep learning framework for the automatic detection of pneumonia from chest radiographs. ResNet-50 and EfficientNet-B3 architectures were trained with transfer learning, and class imbalance was addressed with a weighted loss function. Model decisions were visualised with Grad-CAM and LIME and compared with the annotations of two radiologists. The proposed ensemble model achieved 94.1% accuracy and an AUC of 0.97 on the test set. The heat maps overlapped with radiologist annotations by 71% on average, indicating that the model focuses on clinically meaningful regions.
Tam Metin
Beyanlar
- Etik Kurul Onayı
- This study does not require ethics committee approval.
- Çıkar Çatışması
- The authors declare no conflict of interest.
- Finansman
- This work was supported by the Selçuk University Scientific Research Projects Coordination Unit (Project No: 24000).
Kaynakça 8
- Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., et al. (2017). CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv preprint arXiv:1711.05225.
- Selvaraju, R. R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE International Conference on Computer Vision (pp. 618–626). https://doi.org/10.1109/ICCV.2017.74
- He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 770–778). https://doi.org/10.1109/CVPR.2016.90
- LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
- Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., et al. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60–88. https://doi.org/10.1016/j.media.2017.07.005
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). "Why should I trust you?": Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 1135–1144). https://doi.org/10.1145/2939672.2939778
- Tan, M., & Le, Q. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning (pp. 6105–6114).
- Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization. In International Conference on Learning Representations.
Atıf Göster
Lisans
© 2024 Elif Karaca, Burak Tekin, Oğuzhan Kurt. Bu makale, orijinal eser ve kaynağına uygun atıf yapılması koşuluyla her türlü ortamda sınırsız kullanım, dağıtım ve çoğaltmaya izin veren CC BY 4.0 lisansı altında dağıtılmaktadır. Lisans metni