غربالگری بیماران مبتلا به کووید-۱۹ مبتنی بر یادگیری عمیق و ماشین بردار پشتیبان

با گسترش روزافزون بیماری کووید-۱۹در سراسر دنیا، استفاده از تکنیکها و الگوریتمهای هوش مصنوعی به خصوص شبکه های عصبی کانولوشن مبتنی بر یادگیری عمیق جهت غربالگری تصاویر سیتیاسکن قفسه سینه بیماران مبتلا به کووید-۱۹ ضرورت بیش از پیش یافته و سهم عمده ای از مقالات چاپ شده در این حوزه را به خود اختصاص داده اند. دقت تشخیص و غربالگری گزارش شده دراین مقالات علمی، به بیش از ۹۵ درصد رسیده است و تلفیق چندین معماری مختلف ، منجر به افزایش دقت به بیش از ۹۹ درصد گردیده است. در این مقاله یک روش ترکیبی از شبکه عصبی کانولوشن الکسنت با روش دسته بندی ماشین بردارپشتیبان، خوشه بندی k-means، خوشه بندی Fuzzy C-means و خوشه بندی تفاضلی (Subtractive)، جهت غربالگری بیماران مبتلا به کووید-۱۹ با توجه تصاویر سی تی اسکن قفسه سینه به کار گرفته شده است ومشکل کمبود تصاویر با استفاده از روش داده افزایی مرتفع شده است. روشهای خوشه بندی مذکور برای انتخاب بهترین الگوریتم یادگیری با یکدیگر مقایسه شده اند.نتایج به دست آمده حاکی از آن است که تکنیک یادگیری ماشین در تشخیص بیماری کووید-۱۹ با روش بردارهای پشتیبان بسیار موفق بوده به طوریکه نتیجه حساسیت غربالگری افراد بیمار به شکل ۱۰۰ درصد عمل نموده و تمامی افراد بیمار به درستی تشخیص داده شدهاند.

کلیدواژه ها:

ماشین بردارهای پشتیبان ، تصاویر سیتیاسکن قفسه سینه (CXR) ، خوشه بندی k-means و خوشه بندی تفاضلی (Subtractive)