استفاده از تکنیک های یادگیری عمیق برای تشخیص موارد کووید-۱۹ با استفاده از تصاویر اشعه ایکس قفسه سینه

ظهور بیماری کرونا ویروس ۲۰۱۹ (کووید-۱۹) در اوایل دسامبر ۲۰۱۹ آسیب زیادی به سلامتی و رفاه جهانی وارد کرده است. در حال حاضر، میلیون ها نفربه این ویروس مبتلا شده اند و این ویروس جدید به سرعت در سراسر جهان در حال گسترش است. بسیاری از بیمارستان ها در سرتاسر جهان هنوز به مقدار کافی به کیت آزمایش مجهز نشده اند و آزمایش واکنش زنجیره ای پلیمر از رونویسی معکوس (RT-PCR) زمانبر و دردسرساز است. از این رو طراحی یک سیستم تشخیص خودکار و زودهنگام که بتواند تصمیم گیری سریع ارائه دهد و خطای تشخیص را تا حد زیادی کاهش دهد بسیار مهم است. تصاویر اشعه ایکس قفسه سینه همراه با روش های نوظهور هوش مصنوعی(AI)، به ویژه الگوریتم های یادگیری عمیق (DL) اخیرا به گزینه مناسبی برای غربالگری اولیه کووید-۱۹ تبدیل شده اند. در این مقاله یک روش خودکار با کمک DL با استفاده از تصاویر اشعه X برای تشخیص زودهنگام عفونت کووید-۱۹ پیشنهاد شده است. ما اثربخشی هشت مدل شبکه عصبی متحرک (CNN) از پیش آموزش دیده مانندAlexNet، VGG-۱۶، GoogleNet، MobileNet-V۲، SqueezeNet، ResNet-۳۴، ResNet-۵۰ و Inception-V۳ را برای طبقه بندی کووید-۱۹ از موارد عادی ارزیابی می کنیم. همچنین، تجزیه و تحلیل های مقایسه ای بین این مدل ها با در نظر گرفتن چندین عامل مهم مثل اندازه دسته، نرخ یادگیری، تعداد دوره ها و نوع بهینه سازها با هدف یافتن بهترین مدل مناسب انجام شده است. مدل ها بر روی تصاویر اشعه ایکس قفسه سینه در دسترس عموم تایید شده و بهترین عملکرد توسط ResNet-۳۴ با دقت ۹۸.۳۳٪ به دست آمده است. این مطالعه برای پژوهشگران مفید خواهد بود تا با طراحی مدل های موثرتر از شبکه CNN برای تشخیص زودهنگام کووید-۱۹ تحقیق کنند.

Keywords:

کووید , ۱۹- -۲CoV-SARS , الگوریتمهای بهینه سازی , شبکه های عصبی هم آمیخت , اشعه ایکس قفسه سینه