ارائه راهکاری بر پایه یادگیری عمیق ترکیبی جهت بهبود دقت شناسایی تصاویر سی تی اسکن ریه بیماران کووید-۱۹

بیماری کرونا ویروس ۲۰۱۹ یا کووید-۱۹، بیماری عفونی است که بر اثر ویروس سندروم حاد تنفسی (SARS-Cov-۲) ایجاد می شود و به صورت همه گیری در سطح جهان شیوع پیدا کرده است. پس از آغاز انتشار سریع این بیماری در سال ۲۰۱۹، یک وضعیت اورژانسی سلامت عمومی از سوی سازمان بهداشت جهانی اعلام شد و جامعه بشری شاهد افزایش بسیار زیاد مرگ و میر ناشی از جهش های مختلف آن بود. از جمله علایم بالینی می توان به تب، سرفه، تنگی نفس و نابویایی اشاره کرد. خوشبختانه محققان در این اواخر توانسته اند با استفاده از روش های مختلف تشخیص در جلوگیری از انتشار و تسریع در درمان آن موفقیت های بسیاری را به دست آورند. هدف از این پژوهش، تشخیص بیماری کووید-۱۹ با پردازش تصاویر سی تی اسکن ریه افراد با استفاده از الگوریتم های ترکیبی یادگیری عمیق بر پایه شبکه های عصبی کانولوشن است. در این راستا، از دو مجموعه داده تصاویر سی تی اسکن ریه افراد که از داده های Kaggle و GitHub به دست آمده استفاده می گردد. معماری های شبکه های عصبی کانولوشن بکار رفته در این پژوهش شامل VGG۱۶، VGG۱۹، Inception v۳، ResNet۵۰، DenseNet۱۶۹ و CtNet۱۰ است که در مرحله اول اثر اضافه کردن دو لایه Dense به هرکدام از این مدل ها بررسی و ارزیابی شد. سپس برای رسیدن به دقت و کارایی بالاتر از روش Ensemble پیشنهادی یعنی ترکیب معماری های VGG۱۶، DenseNet۱۶۹ و ResNet۵۰ استفاده شده است. نتایج حاصل از پیاده سازی نشان می دهد که روش ترکیبی پیشنهادی قادر است روی مجموعه داده های مورد بررسی به دقت بالای ۹۸ درصد تا ۱۰۰درصد دست یابد و به طور قابل توجهی عملکرد شبکه های عصبی عمیق را در کارهای پیش بینی دو یا چند دسته ای بهبود بخشد.

کلیدواژه ها:

کرونا ویروس ، شبکه عصبی عمیق ، کانولوشن ، یادگیری عمیق ترکیبی ، سی تی اسکن