تشخيص كوويد-19 مبتني بر يادگيري انتقالي متخاصم چند منبعي و تابع خطاي مركزي

در سال‌هاي اخير، از تكنيك‌هاي يادگيري عميق به‌وفور براي تشخيص كوويد با استفاده از تصاوير پزشكي استفاده مي‌شود. با اين حال در تشخص بيماري كوويد 19 به دليل داده‌هاي ناكافي، آموزش مدل به‌درستي انجام نمي‌شود و در نتيجه‌ي آن تعميم‌پذيري مدل كاهش مي‌يابد. براي پرداختن به اين مسئله، مي‌توان داده‌هاي چندين منبع مختلف را با استفاده از يادگيري انتقالي تركيب كرد. در اين مقاله براي بهبود كيفيت انتقال بين چند منبع داده، ما يك مدل يادگيري انتقالي متخاصم چند منبعي را پيشنهاد مي‌كنيم. در اين روش شبكه هم‌زمان با تلاش براي دسته‌بندي صحيح داده‌ها، سعي در هر چه شبيه‌تر ساختن ويژگي‌هاي مجموعه‌داده‌ي مبدأ و مقصد به يكديگر را دارد تا نتايج يكساني از نظر كمي و كيفي حاصل شود. همچنين در روش پيشنهادي از تابع خطاي مركزي براي آموزش مدل استفاده مي‌كنيم. استفاده از تابع خطا‌ي مركزي به تمييز هرچه بهتر كلاس‌ها از يكديگر كمك شاياني مي‌كند. ارزيابي روش پيشنهادي با بررسي سناريوهاي مختلف انتقال با دو مجموعه‌داده SARS-CoV-2 CT Scan و COVID19-CT با تعداد محدود تصاوير انجام گرفته و با نتايج ساير الگوريتم‌هاي موفق مقايسه مي‌شود. روش پيشنهادي به‌ازاي معيارهاي accuracy، precision، recall و F1 به بهبود 2، 15، 15 و 8 درصدي نسبت به بهترين نتايج ساير روش‌هاي مقايسه شده، دست يافته است. كد پياده‌سازي روش پيشنهادي در آدرس گيت‌هاب زير در دسترس است:https://github.com/HadiAlhares/Covid19