Covid-19, solunum yollarını etkileyen ve küresel ölçekte ciddi sağlık sorunlarına neden olan viral bir enfeksiyondur. Bulaşıcılığı nedeniyle hastalığın erken teşhis ve doğru sınıflandırılması büyük önem taşımaktadır. Bu çalışmada, X-ışını görüntülerinden Covid-19 hastalığının tespit doğruluğunu artırmak için yeni bir ortogonal düzgünleştirme yöntemi önerilmiştir. ResNet110 ağına uygulanan yöntem, geleneksel ortogonal düzgünleştirme yaklaşımlarına kıyasla sınıflandırma doğruluğunu artırılmaktadır. Deneysel çalışmalarda, önerilen yöntem çeşitli düzgünleştirme teknikleriyle karşılaştırılmış ve test doğruluk oranını %96,52'ye çıkarılarak en yüksek sınıflandırma doğruluğu elde edilmiştir. Önerilen yöntemin özellikle eğitim sürecinin sonraki aşamalarında modelin öğrenme eğrisini optimize ettiği ve test doğruluğunu artırdığı da görülmüştür. Ayrıca, Covid-19 tespiti için mevcut ortogonal düzgünleştirme yöntemleriyle karşılaştırıldığında, önerilen yaklaşım test sınıflandırma performansını doğruluk, F1 puanı, duyarlılık, keskinlik ve özgüllük metriklerinde yaklaşık %1 oranında iyileşme sağlanmıştır.
Covid-19 is a viral infection that affects the respiratory tract and causes serious health problems on a global scale. Due to the high contagiousness of the disease, early detection and accurate classification are of great importance. In this study, a novel orthogonal regularization method is proposed to improve the detection accuracy of Covid-19 disease from X-ray images. The proposed regularization method, evaluated using ResNet110, improves the classification accuracy compared to traditional Orthogonal regularization approaches. In the experimental studies, the proposed method is compared with various regularization techniques and the highest classification success rate is achieved by increasing the test accuracy rate to 96.52%. In addition, it is observed that the proposed method optimizes the learning curve of the model, especially in the later stages of the training process, and increasing the test accuracy. In addition, compared to the existing orthogonal regularization methods for Covid-19 detection, the proposed approach improved the test classification performance by approximately 1% in accuracy, F1-score, sensitivity, recall and specificity metrics.
