مرکز منطقه ای اطلاع رساني علوم و فناوري - استفاده از تكنيك هاي يادگيري عميق براي تشخيص موارد كوويد-19 با استفاده از تصاوير اشعه ايكس قفسه سينه

چكيده فارسي :

ظهور بيماري كرونا ويروس 2019 (كوويد-19) در اوايل دسامبر 2019 آسيب زيادي به سلامتي و رفاه جهاني وارد كرده است. در حال حاضر، ميليون‌ها نفربه اين ويروس مبتلا شده‌اند و اين ويروس جديد به سرعت در سراسر جهان در حال گسترش است. بسياري از بيمارستان‌ها در سرتاسر جهان هنوز به مقدار كافي به كيت آزمايش مجهز نشده‌اند و آزمايش واكنش زنجيره‌اي پليمر از رونويسي معكوس (RT-PCR) زمانبر و دردسرساز است. از اين‌رو طراحي يك سيستم تشخيص خودكار و زودهنگام كه بتواند تصميم‌گيري سريع ارايه دهد و خطاي تشخيص را تا حد زيادي كاهش دهد بسيار مهم است. تصاوير اشعه ايكس قفسه سينه همراه با روش‌هاي نوظهور هوش مصنوعي(AI)، به ويژه الگوريتم‌هاي يادگيري عميق (DL) اخيرا به گزينه مناسبي براي غربالگري اوليه كوويد-19 تبديل شده‌اند. در اين مقاله يك روش خودكار با كمك DL با استفاده از تصاوير اشعه X براي تشخيص زودهنگام عفونت كوويد-19 پيشنهاد شده است. ما اثربخشي هشت مدل شبكه عصبي متحرك (CNN) از پيش آموزش‌ديده مانندAlexNet، VGG-16، GoogleNet، MobileNet-V2، SqueezeNet، ResNet-34، ResNet-50 و Inception-V3 را براي طبقه‌بندي كوويد-19 از موارد عادي ارزيابي مي‌كنيم. همچنين، تجزيه و تحليل‌هاي مقايسه‌اي بين اين مدل‌ها با در نظر گرفتن چندين عامل مهم مثل اندازه دسته، نرخ يادگيري، تعداد دوره‌ها و نوع بهينه‌سازها با هدف يافتن بهترين مدل مناسب انجام شده‌است. مدل‌ها بر روي تصاوير اشعه ايكس قفسه سينه در دسترس عموم تاييد شده و بهترين عملكرد توسط ResNet-34 با دقت 98.33٪ به‌دست آمده است. اين مطالعه براي پژوهشگران مفيد خواهد بود تا با طراحي مدل‌هاي موثرتر از شبكه CNN براي تشخيص زودهنگام كوويد-19 تحقيق كنند