روش تلفیقی یادگیری عمیق و ماشین بردار پشتیبان جهت تشخیص کووید-۱۹ بر اساس تصاویر اشعه ایکس قفسه سینه

با گسترش روزافزون بیماری کرونا، استفاده از الگوریتم های هوش مصنوعی به خصوص شبکه های عصبی کانوولوشنال (CNN) مبتنی بر یادگیری عمیق جهت غربال گری تصاویر اشعه ایکس قفسه سینه (CXR) بیماران مبتلا به کووید-۱۹، ضرورت بیشتری یافته و سهم عمده ای از مقالات در این حوزه را به خود اختصاص داده اند. دقت تشخیص و غربال گری مبتنی برCNN ها در مقالات علمی به بیش از ۹۵ درصد و تلفیق چندین معماری مختلف از CNN ها ، منجر به افزایش دقت تا ۹۹ درصد گردیده است. در این مقاله یک ساختار ترکیبی از شبکه عصبی کانوولوشن الکس نت (AlexNet) با روش دسته بندی ماشین بردارپشتیبان (SVM) جهت غربالگری بیماران مبتلا به کووید-۱۹ با توجه به تصاویر CXR بیماران از بانک اطلاعات تصاویرGitHub پیشنهاد شده است. در بخش ورودی ساختار پیشنهادی، جهت استخراج ویژگی های تصاویر از هیستوگرام دو بعدی تصویر که حاوی اطلاعات تصویر در ابعاد کمتری است، استفاده شده و مشکل کمبود تصاویر با استفاده از روش داده افزایی مرتفع گردیده است. نتایج حاصل با سایر روش های دسته بندی معروف مانند خوشه بندی میانگین k (k-means)، خوشه بندی میانگین فازی (FCM) و خوشه بندی تفاضلی (Subtractive) مقایسه شده است. ساختار پیشنهادی دارای عملکرد ۱۰۰ درصدی در تشخیص کرونا بر اساس معیار حساسیت است.

کلیدواژه ها:

تصاویر اشعه ایکس قفسه سینه (CXR) ، ماشین بردارپشتیبان (SVM) ، کووید-۱۹ ، شبکه های عصبی کانوولوشنال ((CNN