بكارگيري يادگيري عميق در تصاوير CT ريه براي بهبود در روند تشخيص بيماري COVID-19

كارشناسي ارشد

تشخيص به موقع بيماران كوويد-19 مي تواند از ابتلاي افراد ديگر به اين بيماري جلوگيري كند، زيرا راه هاي انتقال اين بيماري، از طريق تماس ترشحات بيماران با چشم، بيني و دهان و همچنين از طريق تنفس مي باشد. به همين دليل از پيدايش اين بيماري در ووهان چين، اكثر محققان با استفاده از روش هاي تشخيص كامپيوتري و خودكار و همچنين با استفاده از روش هاي آناليزي براي كمك به متخصيص براي پشت سر گذاشتن اين پاندمي و تسريع فرآيند تشخيص بيماران و افزايش دقت كمك مي كنند. لازم به ذكر است كه به دليل اينكه بيماران كوويد-19 ضمن داشتن بيماري ممكن است 2 تا 3 هفته هيچ علائمي نداشته باشند و به همين دليل تشخيص زود هنگام بيماران و هرچه سريع تر قرنطينه كردن آنان از ديگر افراد جامعه، مي تواند كمك شاياني در عبور از اين پاندمي انجام دهد و باعث حفظ سلامتي و زندگي افراد بيشتر شود. به منظور برطرف كردن مشكل سرعت در پردازش داده هاي تصاوير CTسينه بيماران كوويد-19، همان طور كه مي دانيد پردازش داده هاي سه-بعدي بسيار زمان بر و وقت گير است ،از كاهش اندازه تصاوير ورودي استفاده شده و همچنين براي رفع كاهش ميزان دقت شبكه، از افزايش ميزان پيچيدگي شبكه توسط افزايش ميزان نورون هاي كانولوشن سه-بعدي و تابع هزينه آنتروپي متقابل باينري به جهت نظارت بر آن براي آموزش مدل در نظر گرفته شده است. كارآيي هر يك از روش هاي ارائه شده بر عملكرد كلاس بندي بيماران كوويد-19 در اين تحقيق مورد بررسي قرار گرفته است. در اين پژوهش نشان داديم كه كاهش تصاوير ورودي تا ابعاد 64*64*64 به تسريع فرآيند آموزش و امكان استفاده از آموزش توسط شبكه هايي پيچيده تر، توأم با كاهش زمان آموزش شبكه كمك مي كند. از دقت 78.6% و ارزيابي دقت 58.3% به ميزان دقت 83.57% و ارزيابي دقت 71.67% رسيديم. همچنين زمان آموزش شبكه براي هر ايپاك به تنها 8 ثانيه رسيديم. البته براي كارهاي بيشتر بر روي اين داده، پيشنهاد مي كنيم كه با استفاده از يادگيري انتقالي، پردازش بر روي اطلاعات اين ديتاست در تحقيقات بيشتر آينده انجام گيرد.

196467

دانشگاه علم و صنعت ايران

مهندسي پزشكي-بيوالكتريك

دكتر حميد بهنام