تشخیص کووید-۱۹ مبتنی بر یادگیری انتقالی متخاصم چند منبعی و تابع خطای مرکزی

در سال های اخیر، از تکنیک های یادگیری عمیق به وفور برای تشخیص کووید با استفاده از تصاویر پزشکی استفاده می شود. با این حال در تشخص بیماری کووید ۱۹ به دلیل داده های ناکافی، آموزش مدل به درستی انجام نمی شود و در نتیجه ی آن تعمیم پذیری مدل کاهش می یابد. برای پرداختن به این مسئله، می توان داده های چندین منبع مختلف را با استفاده از یادگیری انتقالی ترکیب کرد. در این مقاله برای بهبود کیفیت انتقال بین چند منبع داده، ما یک مدل یادگیری انتقالی متخاصم چند منبعی را پیشنهاد می کنیم. در این روش شبکه هم زمان با تلاش برای دسته بندی صحیح داده ها، سعی در هر چه شبیه تر ساختن ویژگی های مجموعه داده ی مبدا و مقصد به یکدیگر را دارد تا نتایج یکسانی از نظر کمی و کیفی حاصل شود. همچنین در روش پیشنهادی از تابع خطای مرکزی برای آموزش مدل استفاده می کنیم. استفاده از تابع خطا ی مرکزی به تمییز هرچه بهتر کلاس ها از یکدیگر کمک شایانی می کند. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با دو مجموعه داده SARS-CoV-۲ CT Scan و COVID۱۹-CT با تعداد محدود تصاویر انجام گرفته و با نتایج سایر الگوریتم های موفق مقایسه می شود. روش پیشنهادی به ازای معیارهای accuracy، precision، recall و F۱ به بهبود ۲، ۱۵، ۱۵ و ۸ درصدی نسبت به بهترین نتایج سایر روش های مقایسه شده، دست یافته است. کد پیاده سازی روش پیشنهادی در آدرس گیت هاب زیر در دسترس است:https://github.com/HadiAlhares/Covid۱۹

تشخیص کووید-۱۹ مبتنی بر یادگیری انتقالی متخاصم چند منبعی و تابع خطای مرکزی Keywords:

تشخیص بیماری , تشخیص COVID-۱۹ , یادگیری عمیق , تطبیق دامنه متخاصم چند منبعی