بررسی عملکرد الگوریت م های سه بعدی کانولوشنال GoogleNet و AlexNet در تشخیص بیماری COVID ۱۹ به کمک تصاویر CT

سال انتشار: 1400
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 265

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MHCONF06_066

تاریخ نمایه سازی: 28 خرداد 1401

چکیده مقاله:

بیماری COVID ۱۹ به صورت وحشتناکی بر بیماران و سیستم های درمانی تاثیر نهاده است. عدم شناسایی بیماران مبتلا به بیماری COVID ۱۹ منجر به پخش آلودگی شده و این همه گیری و گسترش بیماری خود باعث از دست رفتن زندگی انسان های بی گناه بسیاری است. بیشترین اهمیت در درمان بیماران مبتلا به COVID ۱۹ تشخیص زود هنگام بیماری است تا مانع از بروز مشکلات بیشتر شود.تست PCR روش استاندارد طلایی است که به طور معمول در تشخیص بیماری COVID ۱۹ استفاده می شود، هرچند این روش نیز با محدودیت هایی از قبیل کمبود نیروی متخصص، زمانبر بودن، تجهیزات آزمایشگاهی پیچیده و امکان ارائه پاسخ های اشتباه همراه است، اما تصاویر CT اسکن می توانند به طور موثری آزمایش های تشخیص PCR را تکمیل نمایند. در این مقاله تشخیص بیماری COVID ۱۹ به کمک دو الگوریتم سه بعدی شبکه های عصبی کانولوشنال GoogleNet و AlexNet با استفاده از تصاویر CT بررسی خواهد شد. عملکرد مدل های پیش آموخته فوق، در بررسی تصاویر CT ، آزمایش شده و توان تشخیص هر کدام از این الگوریتم ها برای مجموعه اطلاعاتی متعارف و به مراتب بزرگ تر مشخص می شود. در این مقاله از مجموعه تصاویر سه بعدی با فرمت .nii برای ۱۰۰ بیمار و ۱۰۰ انسان سالم استفاده شد. تعداد تصاویر برای آموزش و اعتبارسنجی به ترتیب ۱۴۰ و ۶۰ تصویر بود .

کلیدواژه ها:

بیمار ی COVID ۱۹ ، شبکه های عصبی کانولوشنال ، GoogleNet ، AlexNet ، تصاویر CT

نویسندگان

زهره عربی

دانشجوی ارشد مهندسی پزشکی، دانشکده مهندسی، واحد کازرون، دانشگاه آزاد اسلامی ، کازرون

مهدی تقی زاده

استاد گروه مهندسی پزشکی،دانشکده مهندسی، واحد کازرون،دانشگاه آزاد اسلامی، کازرون