Covid-19, küresel olarak milyonlarca kişiyi etkileyerek önemli hastalıklara ve ölümlere yol açmıştır. Akciğer röntgenleri, Covid-19’un ilerlemesini izlemek için hızlı ve etkili bir yöntem olarak hizmet vermektedir. Ancak, bir akciğer röntgeninden Covid-19’u teşhis etmek karmaşık olabilir ve hatta deneyimli radyologlar bile her zaman kesin bir teşhis koyamayabilir. Bu araştırmada, Covid-19, akciğer opasitesi, viral pnömoni ve sağlıklı hastaların X-ray görüntülerinden oluşan bir veri setini kullanarak çeşitli vision transformer tabanlı modellerin etkinliği değerlendirildi. Swin Transformer’ın modifiye edilmiş bir versiyonu, Covid-19 görüntülerinde dört yönlü sınıflandırmada %98.9 doğruluk ve %99.2 hassasiyet elde etti. Bulgularımız, Covid-19 teşhisi için, son teknoloji tekniklerle rekabet edebilecek düzeydedir. Bu yöntem, sağlık profesyonellerinin Covid-19 için hastaları taramasına yardımcı olabilir, böylece daha hızlı tedavi sağlanabilir ve Covid-19 hastaları için daha iyi sağlık sonuçları elde edilebilir
Covid-19 has affected millions globally, leading to substantial illness and mortality. Chest X-rays serve as a rapid and effective means of tracking the progression of Covid-19. However, diagnosing Covid-19 from a chest X-ray can be complex, and even skilled radiologists may not always provide a conclusive diagnosis. In our research, we utilized a dataset comprising X-ray images of Covid-19, lung opacity, viral pneumonia, and healthy patients to assess the efficacy of various vision transformer-based models. A modified version of the Swin Transformer achieved an accuracy of 98.9% and a precision of 99.2% on Covid-19 images in a four-way classification task. Our findings are competitive with cutting-edge techniques for diagnosing Covid-19. This method could aid healthcare professionals in screening patients for Covid-19, thereby enabling quicker treatment and improved health outcomes for those affected by the virus.
Primary Language | English |
---|---|
Subjects | Deep Learning, Modelling and Simulation |
Journal Section | Electrical and Electronics Engineering |
Authors | |
Publication Date | September 3, 2024 |
Submission Date | November 24, 2023 |
Acceptance Date | November 30, 2023 |
Published in Issue | Year 2024 |