كلاسه بندي تصاوير راديولوژي قفسه سينه به منظور شناسايي بيماران مبتلا به كوويد 19 با بهره گيري از تكنيك هاي يادگيري ژرف

Classification of Chest Radiology Images in Order to Identify Patients with COVID-19 Using Deep Learning Techniques

زمينه و هدف با توجه به اهميت بالاي تصاوير راديولوژي براي شناسايي بيماران كوويد 19، ايجاد مدلي مبتني بر يادگيري عميق از اهداف اصلي اين پژوهش است. روش بررسي از 15153 تصوير موجود از تصاوير قفسه سينه مربوط به افراد سالم، مبتلا به كوويد 19 و مبتلا به پنوموني در مخزن داده هاي سايت Kaggle به عنوان داده هاي اين پژوهش استفاده شد. پيش پردازش داده ها شامل نرمال سازي تصاوير و تجميع برچسب تصاوير و دسته بندي آنها به سه دسته ي آموزش، اعتبارسنجي و تست مي شد. سپس با استفاده از زبان پايتون در كتابخانه ي fastAI مبتني بر تكنيك كانولوشن (CNN) و براساس چهار معماري (ResNet ,VGG MobileNet ,AlexNet)، 9 مدل از طريق روش يادگيري انتقالي براي تشخيص افراد سالم از افراد بيمار، آموزش داده شد. در نهايت، ميزان عملكرد اين مدل ها با شاخص هايي چون صحت، حساسيت و ويژگي، و F-Measure ارزيابي شد. يافته ها از بين 9 مدل ايجاد شده، مدل ResNet101 داراي بيشترين توان تشخيص موارد مبتلا به كرونا از ساير موارد با شاخص حساسيت 0/95/29 بود. ديگر مدل هاي به كار گرفته شده، صحتي بيش از 96% در تشخيص درست موارد مختلف تصاوير تست از خود نشان دادند. مدل ResNet101 توانست صحتي معادل 74/98/0 در تشخيص بين موارد سالم و مبتلا از خود نشان دهد. نتيجه گيري ميزان صحت به دست آمده، نشان دهنده ي عملكرد دقيق مدل پيش بيني در تشخيص كوويد 19 مي باشد. بنابراين با پياده سازي يك برنامه كاربردي براساس مدل توسعه يافته مي توان به پزشكان در تشخيص دقيق و زودهنگام موارد مبتلا ياري رساند.

Background and Aim Due to the important role of radiological images for identifying patients with COVID-19, creating a model based on deep learning methods was the main objective of this study. Materials and Methods 15,153 available chest images of normal, COVID-19, and pneumonia individuals which were in the Kaggle data repository was used as dataset of this research. Data preprocessing including normalizing images, integrating images and labeling into three categories, train, test and validation was performed. By Python language in the fastAI library based on convolution technique (CNN) and four architectures (ResNet, VGG MobileNet, AlexNet), nine models through transitional learning method were trained to recognize patients from healthy persons. Finally, the performance of these models was evaluated with indicators such as accuracy, sensitivity and specificity, and F-Measure. Results Of the nine generated models, the ResNet101 model has the highest ability to distinguish COVID-19 cases from other cases with 95.29% sensitivity. Other applied models showed more than 96% accuracy in correctly diagnosis of various cases in test phase. Finally, the ResNet101 model was able to demonstrate 98.4% accuracy in distinguishing between healthy and infected cases. Conclusion The obtained accuracy showed the accurate performance of developed model in detecting COVID-19 cases. Therefore, by implementing an application based on the developed model, physicians can be helped in accurate and early diagnosis of cases. an application based on the developed model, physicians can be helped in accurate and early diagnosis of infected cases.