استفاده از الگوریتم یادگیری انتقالی به منظور تشخیص خودکار کووید-۱۹

استفاده از الگوریتم های یادگیری انتقالی در تشخیص خودکار بیماری ها، از جمله کووید-۱۹، پیشرفت های قابل توجهی را به دنبال داشته است. این الگوریتم ها قادرند تصاویر پزشکی را تحلیل کرده و بیماری ها را بدون دخالت انسانی شناسایی کنند، که بهبود عملکرد و سرعت تشخیص را امکان پذیر می سازد. در این تحقیق، الگوریتم های یادگیری انتقالی و شبکه های عصبی کانولوشنی عمیق (CNN) مانند MobileNetV۳Large و SeNet۱۵۴ برای تشخیص خودکار کووید-۱۹ از تصاویر سی تی اسکن و تصاویر اشعه ایکس مورد بررسی قرار گرفتند. این تحقیق از پایگاه داده Kaggle با ۶۰۰ تصویر CT Scan (۳۰۰ نرمال و ۳۰۰ بیمار) استفاده کرد. تصاویر با فرمت DICOM، به صورت رنگی و ۸ بیتی ذخیره شده و قابلیت پردازش در MATLAB را داشتند. برچسب گذاری تصاویر توسط پزشکان متخصص انجام شده که دقت داده ها را تضمین می کند. نتایج تحقیق نشان داد که مدل های مورد استفاده به عملکرد بهینه در تشخیص بیماری دست یافته اند. ارزیابی ها شامل دقت، فراخوانی، شاخص جاکارد و ضریب دایس برای بررسی عملکرد مدل ها در دسته بندی صحیح تصاویر بود. نتایج نشان داد که مدل GoogleNet بهترین عملکرد را در مقایسه با سایر مدل ها در هر دو حالت پایگاه آموزش و تست نشان داده است. همچنین، استفاده از روش های مختلف افزایش داده و تنظیم بهینه پارامترهای مدل تاثیر قابل توجهی بر بهبود عملکرد طبقه بندی داشت. بهترین شاخص جاکارد (۸۳.۴۴%) با ترکیب روش های پیشرفته افزایش داده به دست آمد و تنظیم اندازه تصویر به ۲۵۶×۲۵۶ تعادلی مناسب بین دقت و هزینه محاسباتی ایجاد کرد. این تحقیق پیشنهاد می دهد که الگوریتم های یادگیری انتقالی می توانند به تسریع روند تشخیص و کاهش بار کاری رادیولوژیست ها کمک کنند.

کلیدواژه ها:

تشخیص خودکار کووید-۱۹ ، یادگیری انتقالی ، شبکه عصبی کانولوشنی ، تصاویر سی تی اسکن ، هوش مصنوعی در پزشکی