کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک های یادگیری ژرف

با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید 19، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.

از 15153 تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید 19 و مبتلا به پنومونی در مخزن داده های سایت Kaggle به عنوان داده های این پژوهش استفاده شد. پیش پردازش داده ها شامل نرمال سازی تصاویر و تجمیع برچسب تصاویر و دسته بندی آنها  به سه دسته ی آموزش، اعتبارسنجی و تست می شد. سپس با استفاده از زبان پایتون در کتابخانه ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، 9 مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل ها با شاخص هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.

 از بین 9 مدل ایجاد شده، مدل ResNet101 دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت 0/95/29 بود. دیگر مدل های به کار گرفته شده، صحتی بیش از 96% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet101 توانست صحتی معادل 74/98/0 در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.

میزان صحت به دست آمده، نشان دهنده ی عملکرد دقیق مدل پیش بینی در تشخیص کووید 19 می باشد. بنابراین با پیاده سازی یک برنامه کاربردی براساس مدل توسعه یافته می توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.