CoviX-Net: سامانه مبتني بر يادگيري عميق براي تشخيص و تمايز عفونت كويد-19 و ذات‌الريه در تصاوير راديوگرافي قفسه سينه

در اين پژوهش، سامانه CoviX-Net مبتني بر يادگيري عميق براي تشخيص و تمايز بيماري كويد-19 و انواع ذات‌الريه از روي تصاوير راديوگرافي سينه ارائه مي‌شود. معماري مدل يادگيري CoviX-Net، بر اساس معماري اِكسپشن چند لايه و متناسب با كاربرد مورد هدف طراحي شده است. در اين سامانه، از يادگيري انتقالي براي رفع مشكل كمبود داده آموزشي استفاده مي‌شود. همچنين براي فراهم نمودن داده آموزشي كافي، يك پايگاه تصاوير جامع با بهره‌گيري مناسب از دو منبع مختلف از تصاوير قفسه سينه ايجاد شده است. براي جلوگيري از مشكل بيش‌برازش، فنون افزايش داده، تَنزلِ وزن و تنظيم ‌كننده‌هاي L2 استفاده شده است. نتايج ارزيابي‌ها نشان مي‌دهد دقت CoviX-Net در حالت سه طبقه (كويد-19، ذات‌الريه و ريه طبيعي) %25/99، و در حالت چهار طبقه (كويد-19، ذات‌الريه باكتريايي، ذات‌الريه ويروسي و ريه طبيعي) %95 است كه در مقايسه با ديگر روش‌هاي طبقه‌بندي مبتني بر يادگيري عميق با ساختار مشابه، بهبود دقت %5 و در مقايسه با روش مبتني بر يادگيري عميق انتقالي موازي، با ساختار پيچيده، بهبود دقت حدود نيم درصد را دارد. كليه كدهاي پياده‌سازي CoviX-Net و مجموعه تصاوير گردآوري شده در دسترس عموم پژوهشگران قرار گرفته است.