مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-۱۹ و ذات الریه
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 136
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JHBMI-10-1_004
Index date: 29 July 2024
مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-۱۹ و ذات الریه abstract
مقدمه: COVID-۱۹ تاثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به موقع بر کاهش مرگ و میر بر اثر ابتلاء به COVID-۱۹ تاثیر گذار است و روش های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-۱۹ و ذات الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است.
روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش پردازش قرار می گیرند و فرآیند تقویت داده روی تصاویر اعمال می شود. در مرحله بعد از سه معماری EfficientNetB۴, InceptionV۳ و InceptionResNetV۲ با استفاده از روش یادگیری انتقالی استفاده می شود.
نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV۲ با دقت ۹۹/۳۶۶% و برای تصاویر رادیولوژی مربوط به معماری InceptionV۳ با دقت ۹۶/۹۴۳% می باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده ها با دقت بیشتری انجام می پذیرد.
نتیجه گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل های مشابه دارد. همچنین با اعلام نتایج آنی می تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه گیری ها که مراکز درمانی با چالش هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می شوند کمک نماید.
مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-۱۹ و ذات الریه Keywords:
مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-۱۹ و ذات الریه authors
سید محمد موسوی
۱. M.Sc of Computer Science, Department of Computer Science, Faculty of Mathematics and Computer, Shahid Bahonar University of Kerman, Kerman, Iran
سوده حسینی
۲. PhD of Computer Engineering, Associate Professor, Department of Computer Science, Faculty of Mathematics and Computer, Shahid Bahonar University of Kerman, Kerman, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
