مدل شبكه عصبي پيچشي براي شناسايي بيماري COVID-19 و ذات الريه

مقدمه: COVID-19 تأثيرات مخربي بر سلامت عمومي در سراسر جهان ايجاد كرده است. از آنجايي كه تشخيص زودهنگام و درمان به‌موقع بر كاهش مرگ‌و مير بر اثر ابتلاء به COVID-19 تأثير‌گذار است و روش‌هاي تشخيصي موجود ازجمله آزمايش RT-PCR مستعد خطا است، راه حل جايگزين استفاده از تكنيك‌هاي هوش مصنوعي و پردازش تصوير است. هدف كلي معرفي مدل هوشمند مبتني بر يادگيري عميق و شبكه عصبي پيچشي براي شناسايي موارد مبتلا به COVID-19 و ذات‌الريه به منظور اقدامات درماني بعدي به كمك تصاوير پزشكي ريه است. روش: مدل پيشنهادي شامل دو مجموعه داده‌ راديوگرافي و CT-scan است. تصاوير مجموعه داده مورد پيش‌پردازش قرار مي‌گيرند و فرآيند تقويت داده روي تصاوير اعمال مي‌شود. در مرحله بعد از سه معماري EfficientNetB4, InceptionV3 و InceptionResNetV2 با استفاده از روش يادگيري انتقالي استفاده مي‌شود. نتايج: بهترين نتيجه به دست آمده براي تصاوير CT-scan متعلق به معماري InceptionResNetV2 با دقت 99/366% و براي تصاوير راديولوژي مربوط به معماري‌ InceptionV3 با دقت 96/943% مي‌باشد. علاوه بر آن نتايج حاكي از آن است كه تصاوير CT-scan از ويژگي‌هاي بيشتري نسبت به تصاوير راديوگرافي برخوردار بوده و تشخيص بيماري روي اين نوع داده‌ها با دقت بيشتري انجام مي‌پذيرد. نتيجه‌گيري: مدل پيشنهادي مبنتي بر شبكه عصبي پيچشي دقت بالاتري نسبت به ساير مدل‌هاي مشابه دارد. همچنين با اعلام نتايج آني مي‌تواند در ارزيابي اوليه مراجعان به مراكز درماني به خصوص در زمان اوج همه‌گيري‌ها كه مراكز درماني با چالش‌هايي مانند كمبود نيرو متخصص و كادر درمان مواجه مي‌شوند كمك نمايد.