ارائه یک چارچوب جدید مبتنی بر یادگیری عمیق و دسته بندی کننده XGBoost به منظور تشخیص بیماری کرونا

ویروس کرونا در دسامبر ۲۰۱۹ در شهر ووهان چین یافت شد و به سرعت اکثر مناطق جهان را درگیر کرد. در بسیاری از مناطق دور افتاده یا در مناطقی که میزان شیوع بالا است، دولتها با کمبود منابع و امکانات مواجه هستند و از آنجا که جلوگیری از شیوع بیشتر این بیماری و درمان سریع بیماران مبتلا بسیار حیاتی است، از این رو در این مقاله چارچوب جدیدی مبتنی بر یادگیری عمیق ارائه شده است تا بتواند به متخصصان در فرآیند تشخیص کرونا با استفاده از تصاویر اشعه ایکس قفسه سینه بیمار کمک کند. این چارچوب از یک شبکه عصبی عمیق به منظور استخراج ویژگی های تصاویر استفاده می کند و ویژگی های استخراج شده را به عنوان ورودی به دسته بندی کننده XGBoost میدهد تا عمل دسته بندی را انجام دهد. به منظور ارزیابی روش پیشنهادی آزمایشات ارزیابی بر روی مجموعه داده انجام شده است که مدل پیشنهادی در مسئله تشخیص (مبتلا به کرونا یا سالم) و دسته بندی سه کلاسه (کرونا، ذات الریه یا سالم) به ترتیب به دقتهایChestX-ray۸ ۹۸/۸۸ و ۹۲/۴۴ درصد رسیده است. مقایسه روش ارائه شده در این مقاله با سایر روشهایی که در سال های اخیر ارائه شده اند نشان می دهد که روش پیشنهادی به نسبت روش های موجود دقت و سرعت بالاتری داشته است. با توجه به نتایج امیدوار کننده ای که توسط این روش کسب شده است، می تواند ابزار بسیار مفیدی برای پزشکان بالینی و رادیولوژیست ها باشد و به آنها در شناسایی موارد ابتلا کمک کند.

ارائه یک چارچوب جدید مبتنی بر یادگیری عمیق و دسته بندی کننده XGBoost به منظور تشخیص بیماری کرونا Keywords:

شبکه عصبی عمیق , بیماری کرونا , دسته بندی کننده XGBoost یادگیری عمیق , شبکه DenseNet۲۰۱