نازه آسادوریان - کارشناسی ارشد ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
شکوفه یراقی - مربی، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
حمیدرضا شیرزادفر - استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
آرائیک طهماسیان - کارشناسی ارشد، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
ابراهیم نصر اصفهانی - استادیار، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران
هاجر دانش - استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

بیماری کووید-۱۹ که باعث سندرم حاد تنفسی می شود، یک بیماری مسری و کشنده است که اثرات مخربی بر جامعه و زندگی انسان دارد و به طور قابل توجهی بر اقتصاد جهان تاثیر گذاشته است. حیاتی ترین گام در مبارزه با بیماری کووید-۱۹ تشخیص سریع بیماران مبتلا است. تصاویر سی تی قفسه سینه و کیت های تشخیصی RT-PCR اغلب برای تشخیص بیماری استفاده می شوند. هر دو روش ذکر شده با برخی از مشکلات روبرو هستند، به این ترتیب در پژوهش های اخیر از مدل های یادگیری عمیق برای تشخیص بیماری کووید-۱۹ استفاده شده است. مدل های یادگیری عمیق مدل هایی سریع و دقیق هستند که برای تشخیص این بیماری در نظر گرفته شده اند. روش پیشنهادی در این مقاله، استفاده از شبکه عصبی کانولوشن از پیش آموزش دیده برای تشخیص بیماری کووید-۱۹ بر روی دیتاست سی تی اسکن SARS-COV-۲ است. این دیتاست شامل۱۲۵۲ سی تی اسکن مثبت برای عفونت کووید-۱۹ و ۱۲۳۰ سی تی اسکن برای بیماران غیر آلوده به عفونت کووید-۱۹ می باشد. شبکه عصبی کانولوشن از پیش آموزش دیده InceptionResNetV۲ در مقایسه با سایر شبکه های از پیش آموزش دیده به نتایج بهتری، از جمله صحت ۹۷.۵۹%، دقت ۹۸.۷۸%، بازیابی ۹۶.۴۱% و میانگین F۱ %۹۷.۵۸ دست یافته است.

یادگیری انتقالی، بیماری کووید-۱۹، تصاویر سی تی قفسه سینه، شبکه عصبی کانولوشن، یادگیری عمیق