یک رویکرد جدید مبتنی بر یادگیری عمیق، الگوریتم XGBoost و روش انتخاب ویژگی ANOVA به منظور تشخیص بیماری کرونا

سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 520

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISFCONF02_003

تاریخ نمایه سازی: 19 اسفند 1400

چکیده مقاله:

بیماری کرونا یا کووید- ۱۹ ، اولین بار در دسامبر ۲۰۱۹ از شهر ووهان چین آغاز شد و به سرعت گسترش یافت و تبدیل به یک بحران بزرگ جهانی شد و کشورهای زیادی از جمله ایران را درگیر کرد. از این رو با وجود ناشناخته بودن و سرعت بالای تکثیر این ویروس، تشخیص سریع بیماری حائز اهمیت است. آزمایش RT-PCR ، توموگرافی اسکنر ( CT ) و رادیوگرافی اشعه ایکس ( CXR ) از قفسه سینه، ابزارهایی با دقت بالا برای تشخیص این بیماری هستند؛ با وجود مشکلاتی نظیر کمبود کیت ها ی آزمایشی RT-PCR و دسترسی پایین به دستگاه CT در اکثر مراکز پزشکی CXR به عنوان مقرون به صرفه ترین و سریع ترین ابزار جایگزین برای کمک به پزشکان در تصمیم گیری، بسیار مفید عمل کرده است. در این مقاله، از یادگیری عمیق به منظور تشخیص بیماری کرونا استفاده می شود به طوری که شبکه عصبی عمیق DenseNet۱۲۱ ویژگی های تصاویر CXR را استخراج کرده، بهترین ویژگی ها انتخاب شده و به عنوان ورودی به الگوریتم XGBoost داده می شوند تا عمل دسته بندی و تشخیص را انجام دهد. آزمایش های ارزیابی انجام شده بر روی روش پیشنهادی نشان دهنده دقت بالای آن می باشند به طوری که مدل پیشنهادی دقت ۹۸/۸۸ درصد را در مسئله دو کلاسه (سالم و کرونا) و دقت ۸۶/۱۳ درصد را در مسئله سه کلاسه (سالم، کرونا و ذات الریه) بدست آورده است

نویسندگان

حمید نصیری

دانشجوی دکتری، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر

شادی کامجو

دانشجوی کارشناسی، دانشکده مهندسی برق و کامپیوتر، دانشگاه سمنان