ارائه یک روش بهبود یافته یادگیری عمیق برای تشخیص پنومونی بر اساس سرکوب غیر حداکثر فازی با استفاده از تصاویر X-Ray

ذات الریه در هر سنی ممکن است رخ دهد و طیف علائم آن از عفونت خفیف الی عفونت تهدیدکننده حیات، متغیر می باشد. اگرچه اغلب موارد ذات الریه در بزرگسالان به دنبال درمان مناسب بهبود می یابند، اما حدود ۱۴ درصد علل مرگ و میر در کودکان کوچکتر از ۵ سال به دنبال ذات الریه رخ می دهند. نواحی ذات الریه در تصاویر اشعه ایکس قفسه سینه مشخص هستند اما با این حال، روش های موجود فاقد توجه کافی برای مقیاس تغییرات بزرگ و مرز تار ناحیه پنومونی هستند. این مقاله با استفاده از ایجاد و آموزش یک مدل یادگیری عمیق (با استفاده از شبکه های عصبی پیچشی) به تشخیص این بیماری می پردازد و نتایج مورد بررسی قرار می گیرد. سپس یک الگوریتم همجوشی جعبه های پیش بینی شده جدید، به نام فشار غیر حداکثری فازی که با ادغام جعبه های تشخیص همپوشانی، جعبه پیش بینی شده قوی تری به دست می آورد روی مدل اعمال می شود و مجدد یادگیری انجام می شود. در نهایت نتایج دو روش با هم مقایسه می شود و متوجه خواهیم شد که با استفاده از FNMS به نتایج بهتری دست پیدا خواهیم کرد. در نهایت در این مطالعه از روش های بهبود مدل مانند داده افزایی استفاده خواهیم کرد که شاهد نتایج بهتری نسبت به تحقیقات پیشین خواهیم بود. به طوری که پس از بهبود مدل میزان دقت مدل به مقدار ۰.۸۳۵۰ و میزان تابع ضرر به مقدار ۰.۵۶۱۷ کاهش پیدا می کند، که این نتایج نشان دهنده آن است که این مدل از عملکرد بهتری برخوردار است. مجموعه دادگان مورد استفاده در تحقیق پیش رو از تصاویر اشعه ایکس قفسه سینه (قدامی - خلفی) از کودکان یک تا پنج ساله در مرکز پزشکی زنان و کودکان گوانگژو استفاده شده است.

کلیدواژه ها:

یادگیری عمیق ، تشخیص بیماری ، الگوریتم فازی ، بیماری ذات الریه ، روش های بهبود مدل ، مدل های یادگیری