دوره 10، شماره 1 - ( 3-1402 )
جلد 10 شماره 1 صفحات 56-41 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Mousavi S M, Hosseini S. A Convolutional Neural Network Model for Detection of COVID-19 Disease and Pneumonia. jhbmi 2023; 10 (1) :41-56
URL: http://jhbmi.ir/article-1-740-fa.html
URL: http://jhbmi.ir/article-1-740-fa.html
موسوی سید محمد، حسینی سوده. مدل شبکه عصبی پیچشی برای شناسایی بیماری COVID-19 و ذات الریه. مجله انفورماتیک سلامت و زیست پزشکی. 1402; 10 (1) :41-56
دکتری مهندسی کامپیوتر، دانشیار، بخش علوم کامپیوتر، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر کرمان، کرمان، ایران
چکیده: (694 مشاهده)
مقدمه: COVID-19 تأثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به‌موقع بر کاهش مرگ‌و میر بر اثر ابتلاء به COVID-19 تأثیر‌گذار است و روش‌های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک‌های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-19 و ذات‌الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است.
روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش‌پردازش قرار می‌گیرند و فرآیند تقویت داده روی تصاویر اعمال می‌شود. در مرحله بعد از سه معماری EfficientNetB4, InceptionV3 و InceptionResNetV2 با استفاده از روش یادگیری انتقالی استفاده می‌شود.
نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV2 با دقت 99/366% و برای تصاویر رادیولوژی مربوط به معماری InceptionV3 با دقت 96/943% می‌باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی‌های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده‌ها با دقت بیشتری انجام می‌پذیرد.
نتیجه‌گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل‌های مشابه دارد. همچنین با اعلام نتایج آنی می‌تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه‌گیری‌ها که مراکز درمانی با چالش‌هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می‌شوند کمک نماید.
روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش‌پردازش قرار می‌گیرند و فرآیند تقویت داده روی تصاویر اعمال می‌شود. در مرحله بعد از سه معماری EfficientNetB4, InceptionV3 و InceptionResNetV2 با استفاده از روش یادگیری انتقالی استفاده می‌شود.
نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV2 با دقت 99/366% و برای تصاویر رادیولوژی مربوط به معماری InceptionV3 با دقت 96/943% می‌باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی‌های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده‌ها با دقت بیشتری انجام می‌پذیرد.
نتیجه‌گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل‌های مشابه دارد. همچنین با اعلام نتایج آنی می‌تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه‌گیری‌ها که مراکز درمانی با چالش‌هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می‌شوند کمک نماید.
فایل صوتی [MP3 2333 KB] (23 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
