Classifying COVID-19 in Chest X-rays: Optimal Model and Filter Combinations in a Hybrid Approach

The COVID-19 outbreak, considered a global pandemic, first emerged in China in December 2019. Because the virus is highly contagious and can lead to serious respiratory complications, rapid detection and prompt response are essential to limit its spread. This study presented a hybrid deep learning/machine learning framework that classifies chest X-ray images into four classes: “negative for pneumonia," "typical," "indeterminate," and "atypical." This framework was implemented using a balanced SIIM-FISABIO-RSNA dataset containing 4,000 images. A total of 4096 features were extracted using advanced DL models such as ResNet101, InceptionV3, and EfficientNetB2, and the 200 most informative features were selected for use in ML classification. Systematic evaluation of preprocessing filters (HE, CLAHE, GAMMA, BCET) demonstrated their critical role in enhancing class separability. Combining the ORG+GAMMA filter with the Medium Gaussian SVM resulted in a 92% TPR for “typical” cases. Combining the ORG+HE filter with the Quadratic SVM improved the differentiation between “indeterminate” and “atypical” classes. The results showed that the highest performance in classifying the four categories was achieved when the ORG+GAMMA filter was combined with the Medium Gaussian SVM method and the ORG+HE filter with the Quadratic SVM. The overall sensitivity in the study was obtained as 76.25%. The findings demonstrated that selecting class-specific filter and model combinations is critical for improving classification performance. Furthermore, it was determined that the proposed approach could be further improved using different methods and datasets.

Keywords: image processing, ML, DL, feature engineering

Göðüs Röntgenlerinde COVID-19'un Sýnýflandýrýlmasý: Hibrit Yaklaþýmda Optimal Model ve Filtre Kombinasyonlarý

Küresel bir pandemi olarak kabul edilen COVID-19 salgýný ilk olarak Aralýk 2019'da Çin'de ortaya çýkmýþtýr. Virüs oldukça bulaþýcý olduðundan ve ciddi solunum komplikasyonlarýna yol açabildiðinden, yayýlmasýný sýnýrlamak için hýzlý tespit ve acil müdahale esastýr. Bu çalýþma, göðüs röntgen görüntülerini dört sýnýfta sýnýflandýran karma bir derin öðrenme/makine öðrenme çerçevesi sunmuþtur: "pnömoni için negatif", "tipik", "belirsiz" ve "atipik". Bu çerçeve, 4.000 görüntü içeren dengeli bir SIIM-FISABIO-RSNA veri kümesi kullanýlarak gerçekleþtirilmiþtir. ResNet101, InceptionV3 ve EfficientNetB2 gibi geliþmiþ DL modelleri kullanýlarak toplam 4096 özellik çýkarýlmýþ ve bunlardan en bilgilendirici 200'ü ML sýnýflandýrmasýnda kullanýlmak üzere seçilmiþtir. Ön iþleme filtrelerinin (HE, CLAHE, GAMMA, BCET) sistematik deðerlendirilmesi, sýnýf ayrýlabilirliðini artýrmada kritik rol oynadýðýný göstermiþtir. ORG+GAMMA filtresinin Orta Gauss SVM ile birleþtirilmesi sonucunda “tipik” durumlar için %92 TPR elde edilmiþtir. ORG+HE filtresinin Kuadratik SVM ile birleþtirilmesi ise “belirsiz” ve “atipik” sýnýflar arasýndaki farklýlaþmayý iyileþtirmiþtir. Sonuçlar, ORG+GAMMA filtresinin Orta Gauss SVM yöntemi ve ORG+HE filtresinin Kuadratik SVM ile birleþtirildiðinde dört kategoriyi sýnýflandýrmada en yüksek performansýn elde edildiðini göstermiþtir. Çalýþmada genel duyarlýlýk %76,25 olarak elde edilmiþtir. Bulgular, sýnýflandýrma performansýný artýrmak için sýnýf-özel filtre ve model kombinasyonlarýnýn seçiminin kritik olduðunu göstermiþtir. Ayrýca, önerilen yaklaþýmýn farklý yöntemler ve veri kümeleri kullanýlarak daha da geliþtirilebileceði belirlenmiþtir.

Anahtar Kelimeler: görüntü iþleme, ML, DL, öznitelik mühendisliði