Darıcı, Muazzez Buket2024-10-152024-10-15202301302-09002147-9429https://doi.org/10.2339/politeknik.901375https://hdl.handle.net/20.500.12469/66422019 yılı sonunda yeni bir Coronavirüs formu olan Covid-19 tüm dünyada hızlı bir şekilde yayıldı. Bu hastalığın artan günlük vakaları ile hızlı, güvenilir ve otomatik tespit sistemlerine olan ihtiyaç arttı. Bu nedenle, bu çalışma, göğüs kafesi röntgen görüntülerini sınıflandırmak için makine öğrenmesi algoritmalarından biri olan Adaboost algoritması ile Evrişimsel Sinir Ağları’nı (CNN) birleştiren yeni bir teknik önermektedir. Adaboost algoritmasının eğitim için ihtiyaç duyduğu özellikler temel CNN algoritması ve önceden eğitilmiş ResNet-152 ile göğüs kafesi röntgen görüntülerinden ayrı ayrı elde edilmiştir. Adaboost algoritmasında bu iki farklı özellik çıkarma yöntemini karşılaştırmak için farklı öğrenme oranı değerleri ve tahmin sayısı kullanılmıştır. Bu teknikler, Normal, Viral Zatürre ve Covid-19 olarak etiketlenmiş göğüs röntgeni görüntülerini içeren veri setinde uygulanmıştır. Kullanılan veri seti sınıflar arasında dengesiz olduğundan, sınıfların görüntü sayısını dengelemek için SMOTE yöntemi kullanılmıştır. Bu çalışma, Adaboost algoritmasında otomatik özellik çıkarıcı olarak kullanılan, önerilen CNN modelin (öğrenme oranı 0.1 ve tahminci sayısı 25) % 94.5 doğruluk,% 93 kesinlik,% 94 duyarlılık ve % 93 F1 skoru değerleri ile daha yüksek sınıflandırma performansı sağladığını göstermektedir.eninfo:eu-repo/semantics/openAccessArticle17919012610.2339/politeknik.901375