تشخیص پنومونیا از تصاویر رادیوگرافی قفسه سینه با استفاده از یادگیری انتقالی و معماری ResNet۵۰

پنومونیا یکی از شایع ترین علل مرگ ومیر ناشی از عفونت های تنفسی در جهان است و تشخیص سریع و دقیق آن از تصاویر رادیوگرافی قفسه سینه همچنان چالشی مهم در سیستم های بهداشتی محسوب می شود. در این پژوهش، یک روش مبتنی بر یادگیری انتقالی با معماری ResNet۵۰ برای تشخیص خودکار پنومونیا از تصاویر Chest X-ray ارائه شده است. داده های مورد استفاده شامل ۵۸۶۳ تصویر در دو کلاس «نرمال» و «پنومونیا» از پایگاه داده Kaggle است. با توجه به عدم توازن کلاس ها نسبت تقریبی ۱ به ۲.۷ از وزن دهی کلاس ها در تابع هزینه Cross-Entropy استفاده شد. آموزش مدل به صورت دو مرحله ای انجام گرفت؛ در مرحله اول تنها لایه طبقه بند نهایی آموزش داده شد و در مرحله دوم بخش های عمیق تر شبکه به صورت محدود Fine-tune شدند. برای بهبود تعمیم پذیری از افزایش داده شامل چرخش تصادفی تا ۷ درجه و بازتاب افقی تصادفی بهره گرفته شد و بهینه سازی با AdamW و زمان بندی ReduceLROnPlateau انجام شد. نتایج ارزیابی روی مجموعه آزمون نشان داد مدل پیشنهادی به دقت ۹۱.۰۳ دست یافته و مقدار Average Precision روی منحنی Precision-Recall برابر ۹۷.۲ است که بیانگر توانایی بالای مدل در تشخیص موارد پنومونیا به ویژه در شرایط عدم توازن کلاس ها است.

کلیدواژه ها:

پنومونیا ، یادگیری انتقالی ، ResNet۵۰ ، رادیوگرافی قفسه سینه ، یادگیری عمیق