تشخیص و طبقه بندی تصاویر اشعه ایکس بیماری های ریوی با استفاده از Mask R-CNN

بیماری های ریوی به دسته ای از اختلالات و بیماری ها گفته می شود که بر ریه ها و سیستم تنفسی تاثیر می گذارند و می توانند شامل مشکلاتی در تنفس، انسداد راه های هوایی، عفونت ها و آسیب به بافت های ریه باشند. تشخیص زودهنگام و درمان به موقع این بیماری ها نقش مهمی در جلوگیری از پیش رفت علائم و بهبود کیفیت زندگی افراد دارد. روش های مرسوم تشخیص بیماری های ریوی که عمدتا بر ارزیابی دستی تصاویر توسط رادیولوژیست ها متکی هستند، علاوه بر هزینه و زمان بر بودن، به دلیل وابستگی به تجربه و دقت فردی با احتمال بروز خطا همراه اند. با توجه به افزایش تعداد بیماران مبتلا به بیماری های ریوی و نیاز مبرم به تشخیص سریع و دقیق این بیماری ها، توسعه سیستم های خودکار و مبتنی بر یادگیری عمیق، به ویژه شبکه های عصبی کانولوشن (CNN)، به منظور کمک به پزشکان در تحلیل تصاویر پزشکی اهمیت بسیاری دارد. در این مقاله، یک رویکرد نوین برای طبقه بندی تصاویر اشعه ایکس بیماری های ریوی با استفاده از مدل Mask R-CNN برای شناسایی نواحی آسیب دیده و دسته بندی انواع بیماری های ریوی ارائه شده است. مدل پیشنهادی که از ترکیب روش های پیشنهاد ناحیه (Region Proposal) و شبکه های کانولوشن بهره می برد، با یادگیری ویژگی های کلیدی نواحی مختلف تصاویر، قادر است نواحی سالم و بیمار را با دقت بالا تشخیص داده و ناهنجاری ها را در دسته های جداگانه قرار دهد. کارایی روش پیشنهادی با استفاده از مجموعه داده COVID-۱۹ Radiography Database ارزیابی شده است که به دقت ۶۹.۰، صحت ۷۱.۰، ویژگی ۹۰.۰، یادآوری ۷۰.۰ و امتیاز F۱ ۶۸.۰ دست یافته است. نتایج حاصل نشان می دهند که مدل پیشنهادی توانسته است گامی موثر در جهت توسعه سیستم های هوشمند تشخیص پزشکی بردارد به طوری که می تواند به عنوان ابزاری کارآمد و قابل اعتماد در تشخیص پزشکی و حمایت از تصمیم گیری های بالینی به کار گرفته شود.

کلیدواژه ها:

Mask R-CNN ، شبکه عصبی کانولوشن ، یادگیری عمیق ، پردازش تصویر ، تصاویر اشعه ایکس ریه