آشكار‌سازي كوويد19 از روي تصاوير سي‌تي اسكن ريه مبتني بر ادغام هرم ويژگي و شبكه‌هاي كانولوشني عميق

گسترش بيماري كوويد ۱۹ در سراسر جهان تاثير گسترده اي بر زندگي و نيز اقتصاد كشور‌ها گذاشته است. تشخيص زود‌هنگام اين بيماري مي‌تواند در تسريع فرآيند درمان و جلوگيري از مرگ بيمارن نقش بسزايي داشته باشد. يك روش مهم تشخيص سريع و دقيق اين بيماري، دسته‌بندي تصاوير راديوگرافي قفسه سينه بر اساس روش‌هاي يادگيري عميق است. هدف اين پژوهش، ارائه روشي با دقت و سرعت بالا جهت آشكارسازي تصاوير كوويد 19 است. در اين پژوهش مدلي مبتني بر تركيب دو شبكه InceptionV3 و ResNet50V2 براي استخراج سلسله مراتبي ويژگي ارائه شده است. شبكه هاي هرمي با ايجاد ساختار سلسله مراتبي ويژگي از بالا به پايين و پايين به بالا منجر به توليد ويژگي هاي معنادارتر و در نتيجه دقت بالاتري مي‌شوند. مدل پيشنهادي بر روي پايگاه داده SARS-COV-2 كه از ۲۴۸۲ تصوير سي‌تي اسكن در دو دسته تشكيل شده، ارزيابي شده است. ميانگين دقت، صحت، حساسيت و امتياز F1 بدست آمده در ارزيابي مدل پيشنهادي به ترتيب برابر 89/۹7%، ۹۷%، ۹۹% و ۹8% است.