شبیه سازی طبقه بندی تصاویر سی تی اسکن بیماری کرونا با استفاده از شبکه عصبی

با همه گیری جهانی کووید-۱۹، تشخیص سریع و دقیق این بیماری یکی از مهمترین اولویت های نظام سلامت محسوب می شود. در حالی که سی تی اسکن ریه ابزاری قدرتمند برای آشکارسازی علائم در بافت ریه به شمار می رود، تفسیر دستی تصاویر توسط متخصصان رادیولوژی همواره زمان بر و مستعد خطای انسانی است. در این پژوهش، با هدف بهبود دقت و کارایی تشخیص خودکار کووید-۱۹، ابتدا از معماری شبکه های عصبی کانولوشن نوع ResNet بهره گرفته شد که به دلیل ساختار رزیدوال خود، بر مشکل محوشدگی گرادیان در شبکه های عمیق غلبه می کند. سپس، برای بهینه سازی فراپارامترهای مدل و ارتقای توان طبقه بندی، از الگوریتم شاهین هریس (HHO) استفاده گردید. این الگوریتم با الهام از شیوه های شکار شاهین هریس، قادر است در فضای بزرگ فراپارامترها جستجوی موثری انجام دهد و بهترین تنظیمات ممکن را برای مدل بیابد. نتایج اولیه نشان می دهد رویکرد پیشنهادی نسبت به روش های متداول، عملکرد طبقه بندی بهتری داشته و می تواند در کاهش زمان تشخیص و ارتقای دقت تصمیم گیری بالینی موثر باشد. در نهایت، چنین سامانه های می توانند به تسریع روند مدیریت و کنترل فراگیری کووید-۱۹ کمک شایانی نماید.

کلیدواژه ها:

کووید-۱۹ ، سی تی اسکن ، شبکه های عصبی کانولوشن ، ResNet ، الگوریتم شاهین هریس (HHO)