شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع کووید ۱۹ با استفاده از عکسبرداری اشعه x قفسه سینه
- سال انتشار: 1400
- محل انتشار: ششمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام
- کد COI اختصاصی: ECMM06_023
- زبان مقاله: فارسی
- تعداد مشاهده: 401
نویسندگان
دانشجو کارشناسی ارشد مهندسی نرم افزار، موسسه آمورش عالی پیشتاران، شیراز، ایران
دانشجو کارشناسی ارشد مهندسی نرم افزار، موسسه آمورش عالی پیشتاران، شیراز، ایران
دکترای مدیریت فناوری اطلاعات ( سیستم های اطلاعاتی )، موسسه آمورش عالی پیشتاران، شیراز، ایران
چکیده
در میان داده های تصویربرداری رادیولوژی، عکسبرداری اشعه ایکس قفسه سینه ( CXR ) در مشاهده بروز کووید ۱۹ بسیار استفاده می شود. برای غربالگری انبوه، استفاده از CXR ، یک ابزار مبتنی بر هوش مصنوعی محاسباتی کارآمد، برای تشخیص موارد مثبت کووید ۱۹ از موارد غیر کووید ضروری است. به این منظور، یک شبکه عصبی کانولوشن سبک وزن ( CNN ) با معماری کم عمق متناسب ارائه داده ایم که با استفاده از CXR موارد مثبت کووید ۱۹ را بدون منفی کاذب بطور خودکار تشخیص میدهد. معماری کم عمق CNN در مقایسه با سایر مدلهای یادگیری عمیق با پارامترهای کمتری طراحی شده است. معماری متناسب با CNN کم عمق با استفاده از CXR های ۳۲۱ مورد مثبت کووید تایید شد. علاوه بر موارد مثبت کووید ۱۹ ، مجموعه دیگری از ۵۸۵۶ مورد غیرکووید ۱۹ (در دسترس عموم، منبع: کاگل) در نظر گرفته شد که شامل موارد ذات الریه عادی، ویروسی و باکتریایی است. در آزمونهای آزمایشی ما، برای جلوگیری از جهت گیری احتمالی، اعتبارسنجی ۵ برابر دنبال شد و از هر دو مجموعه داده متعادل و نامتعادل استفاده شد. مدل پیشنهادی بالاترین دقت ممکن ۹۹.۶۹ ٪، را با حساسیت ۱.۰ به دست آورد، جایی که AUC ، ۹۹۹۵ / ۰ بود. بعلاوه، میزان مثبت کاذب گزارش شده برای ۵۸۵۶ مورد منفی کووید ۱۹ فقط ۰۰۱۵ / ۰ بود. نتایج ما اظهار داشت که CNN پیشنهادی میتواند برای غربالگری انبوه استفاده شود. با استفاده از مجموعه دقیقا مشابه مجموعه CXR ، نتایج فعلی بهتر از سایر مدلهای یادگیری عمیق و کارهای پیشرفته اصلی بود.کلیدواژه ها
کووید ۱۹ ، اشعه ایکس قفسه سینه، یادگیری عمیق، شبکه عصبی کانولوشن، غربالگری انبوهمقالات مرتبط جدید
- سیستم تشخیص نفوذ در محیط رایانش ابری با استفاده از یادگیری ویژ گی
- کاهش هزینه تعمیراتی ماشین های سنگین از طریق بهبود الگوریتم درخت تصمیم با الگوریتم های انتخاب ویژگی Information Gain ،Correlation و SVM
- پردازش کوانتومی تصاویر پزشکی و تشخیص لبه آن با استفاده از الگوریتم QHED
- بررسی و مقایسه روشهای تشخیص اکانت های جعلی در شبکه های اجتماعی
- مکان یابی و مقدار بهینه منابع تولید پراکنده به منظورکاهش تلفات و بهبود انحراف ولتاژ شبکه نامتعادل توزیع
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.