شناسایی موارد ابتلا به کووید-۱۹ با استفاده از شبکه عصبی فازی نوع ۲ عمیق براساس تصاویر X-Ray قفسه سینه
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 392
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-14-1_006
تاریخ نمایه سازی: 13 تیر 1402
چکیده مقاله:
امروزه ویروس کرونای جدید به یک اپیدمی بزرگ جهانی تبدیل شده است. روزانه درصد بالایی از جمعیت کل جهان به این ویروس مبتلا می شوند و درصد چشمگیری در اثر ابتلا جان خود را از دست می دهند. با توجه به ماهیت واگیرداری شدید این ویروس، تشخیص، درمان و قرنطینه به موقع امری ضروری تلقی می شود. در این مقاله یک روش خودکار برای تشخیص کووید-۱۹ از تصاویر اشعه ایکس قفسه سینه براساس شبکه های یادگیری عمیق ارائه شده است. برای شبکه یادگیری عمیق پیشنهادی در این کار از ترکیب شبکه های کانولوشنال با توابع فعال سازی فازی نوع ۲ به منظور مواجهه بهتر با نویز استفاده شده است. همچنین برای افزایش دادگان، شبکه های مولد تخاصمی در این پژوهش به کار گرفته شده اند. صحت نهایی حاصل شده برای طبقه بندی سناریوی اول (سالم و کووید-۱۹) و سناریوی دوم (سالم، پنومونیا و کووید-۱۹) به ترتیب حدود ۹۹ و ۹۵ درصد است. علاوه بر این، نتایج روش پیشنهادی ازنظر معیارهای صحت، حساسیت و اختصاصیت در مقایسه با پژوهش های اخیر امیدوارکننده اند؛ به طوری که برای طبقه بندی سناریوی اول به ترتیب دارای حساسیت و اختصاصیت ۱۰۰ و ۹۹ درصد است. روش پیشنهادی با راه یابی به حوزه کاربردی می تواند به عنوان دستیار پزشک در طول درمان بیماران استفاده شود.
نویسندگان
کامل صباحی
استادیار، گروه علوم مهندسی، دانشکده فناوری های نوین - دانشگاه محقق اردبیلی – نمین - ایران
سبحان شیخی وند
دانشجوی دکتری، دانشکده مهندسی برق و کامپیوتر - دانشگاه تبریز - تبریز - ایران
زهره موسوی
محقق فرادکتری، دانشکده مهندسی مکانیک - دانشگاه تبریز - تبریز - ایران
مهدی رجبیون
استادیار، گروه مهندسی پزشکی، واحد ممقان - دانشگاه آزاد اسلامی - ممقان - ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :