طبقه بندی عکس های X-ray ریه با استفاده از الگوریتم Swin Transformer

سال انتشار: 1401
محل انتشار: سیزدهمین کنفرانس ملی پژوهش های کاربردی در علوم برق و کامپیوتر و مهندسی پزشکی
کد COI اختصاصی: ECMECONF13_025
زبان مقاله: فارسی
تعداد مشاهده: 367

نویسندگان

فارغ التحصیل کارشناسی ارشد، بخش مهندسی زیست-پزشکی، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

با توجه به رشد قابل توجه استفاده از تصاویر اشعه ایکس قفسه سینه در تشخیص بیماری های مختلف و همچنین جمع آوریمجموعه داده های گسترده، وجود یک روش تشخیص خودکار با استفاده از شبکه های عصبی عمیق ذهن متخصصان را به خود مشغول کرده است. بسیاری از روش های موجود در بینایی کامپیوتر از CNN برای به دست آوردن دقت بالا در مسائل طبقه بندی استفاده می کنند. با این وجود، تحقیقات اخیر نشان می دهد که ترانسفورماتورها، که به عنوان روشی در NLP ایجاد شده اند، همچنین می توانند از بسیاری از مدل های مبتنی بر CNN در بینایی ماشین بهتر عمل کنند. این مقاله یک مدل عمیق طبقه بندی چند برچسبی را بر اساس ترانسفورماتور Swin برای دستیابی به طبقه بندی تشخیصی پیشرفته پیشنهاد می کند. از پرسپترون چندلایه، برای معماری head استفاده می کند. ما مدل خود را بر روی یکی از پرکاربردترین و بزرگترین مجموعه داده های اشعه ایکس به نام Chest X-ray ۱۴ ارزیابی می کنیم که شامل بیش از ۱۰۰۰۰۰ تصویر از جلو/پشت از بیش از ۳۰۰۰۰ بیمار مبتلا به ۱۴ بیماری معروف قفسه سینه است. مدل ما با چندین لایه MLP برای تنظیم head آزمایش شده است، که هر کدام به یک امتیاز AUC رقابتی در همه کلاس ها دست می یابند. آزمایشات جامع بر روی پایگاه داده اشعه ایکس قفسه سینه نشان داده است که یک سر ۳ لایه با میانگین امتیاز AUC ۰.۸۱۰ عملکردی قابل قبول دارد

کلیدواژه ها

هوش مصنوعی، یادگیری عمیق، swin transformer، ریه

مقالات مرتبط جدید

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.