تشخیص کووید-۱۹ در تصاویر اشعه ایکس قفسه سینه با استفاده از یادگیری عمیق
- سال انتشار: 1403
- محل انتشار: دومین کنفرانس ملی تحول دیجیتال و سیستم های هوشمند
- کد COI اختصاصی: DTIS02_014
- زبان مقاله: فارسی
- تعداد مشاهده: 206
نویسندگان
استادیار، گروه مهندسی کامپیوتر، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران
دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، واحد لارستان، دانشگاه آزاد اسلامی، لارستان، ایران
چکیده
ویروس کووید-۱۹ که باعث عفونت در دستگاه تنفسی فوقانی و ریه ها می شود، میلیون ها نفر را به کام مرگ کشانده است. یکی از رایج ترین راه های تشخیص بیماری کرونا، از طریق نمونه های گرفته شده از سواب های بینی و حلق، تحت آزمایشی با عنوان واکنش زنجیره ای پلیمراز ترانس کریپتاز معکوس است که زمان نتایج و هزینه این آزمایش ها بالا است؛ بنابراین ابزارهای تشخیص سریع و قابل دسترس دیگری مورد نیاز است. با الهام از تحقیقات اخیر که وجود کووید-۱۹را با یافته های موجود در تصاویر اشعه ایکس قفسه سینه مرتبط می کند، رویکرد این مقاله از مدل یادگیری عمیق موجود برای پردازش این تصاویر و دسته بندی آن ها به موارد مثبت و منفی کووید-۱۹ استفاده می کند. در این مقاله، از مجموعه تصاویر اشعه ایکس قفسه سینه شامل ۱۲۸۰۲ تصویر مثبت با مشکل کووید-۱۹ و ۴۶۱۰ تصویر منفی که مشکل کووید-۱۹ ندارند، استفاده می شود. پیش پردازش برای یکسان کردن اندازه تصاویر انجام می شود و جهت آموزش و یادگیری از معماری های VGG۱۶ و VGG۱۹ استفاده می شوند. در نتایج تشخیص کووید-۱۹، مقدار صحت برای تصاویر آزمون مدل VGG۱۶ مقدار ۰/۸۲۷۴ و برای تصاویر آزمون مدل VGG۱۹ مقدار ۰/۸۹۹۶ به دست آمده اند که برتری مدل VGG۱۹ را نشان می دهد.کلیدواژه ها
کووید-۱۹، یادگیری عمیق، اشعه ایکس قفسه سینه، VGGNetمقالات مرتبط جدید
- کاربرد شبکه های عصبی گراف در شبکه های هوشمند برق: یک مرور جامع بر تشخیص و پیش بینی خطا
- Enhanced Residual Attention CNN with Squeeze-and-Excitation Blocks for Brain Tumor MRI Classification
- ارزیابی روشهای تعبیهی گره برای تشخیص جوامع ساختاری در شبکه های فاقد ویژگی
- بهبود رمزگشای استاندارد JPEG AI در نرخ بیت پایین با استفاده از فیلتر عصبی E-Net
- طبقه بندی بهینه اهداف سونار از طریق همجوشی تصمیم گیری پیشرفته مبتنی بر اتوماتای یادگیر فازی
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.