ارائه یک روش جدید مبتنی بر ترکیب ویژگی های استخراج شده از شبکه های عصبی عمیق DenseNet۱۶۹ و MobileNet و دسته بندی کننده LightGBM به منظور تشخیص بیماری کرونا از روی تصاویر اشعه ایکس

بیماری کووید-۱۹ اولین بار در شهر ووهان چین یافت شد و به سرعت به مناطق مختلف جهان راه پیدا کرد. پس از شیوع بیماری کرونا در سراسر دنیا، پژوهشگران بسیاری شروع به پیدا کردن راهی برای تشخیص بیماری کرونا از روی تصاویر اشعه ایکس قفسه سینه مراجعان کردند. از آنجایی که تشخیص به موقع این بیماری میتواند مراحل درمان را اثربخش کند، وجود روشی که بتواند تشخیص بیماری را سرعت ببخشد بسیار حیاتی می باشد. در این مقاله روش جدیدی برای این مسئله پیشنهاد شده است که علاوه بر دقت بالاتر از روش های پیشین، سرعت بسیار بالایی نیز دارد. در روش پیشنهادی از ترکیب شبکه های عصبی عمیق DenseNet۱۶۹ و MobileNet به منظور استخراج ویژگی های تصاویر اشعه ایکس قفسه سینه بیماران استفاده شده است؛ سپس با الگوریتم انتخاب ویژگی تک متغیرمهم ترین این ویژگی ها انتخاب شده و به عنوان ورودی به الگوریتم LightGBM داده شده است تا عمل دسته بندی را انجام دهد. به منظور ارزیابی کارایی روش پیشنهادی از مجموعه داده ray۸-ChestX که شامل ۱۱۲۵ تصویر اشعه ایکس قفسه سینه بیماران می باشد، استفاده شده است. روش پیشنهادی در مسئله دو کلاسه (کرونا، سالم) دقت ۹۸/۵۴ درصد و در مسئله سه کلاسه (کرونا، سالم، ذات الریه) دقت ۱۱/۹۱ درصد را بدست آورده است

ارائه یک روش جدید مبتنی بر ترکیب ویژگی های استخراج شده از شبکه های عصبی عمیق DenseNet۱۶۹ و MobileNet و دسته بندی کننده LightGBM به منظور تشخیص بیماری کرونا از روی تصاویر اشعه ایکس Keywords:

ویروس کرونا , شبکه DenseNet۱۶۹ , شبکه MobileNet , الگوریتم LightGBM , انتخاب ویژگی تک متغیره