light box
امتیاز 2.58 مدل یادگیری عمیق برای تشخیص کروناویروس جدید از سایر عفونت های مربوط به قفسه سینه">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 23
تعداد کلمات : 10500
مجله : Computers in Biology and Medicine
انتشار : 2021
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:مدل یادگیری عمیق برای تشخیص کروناویروس جدید از سایر عفونت های مربوط به قفسه سینه در تصاویر اشعه ایکس

 چکیده

 کروناویروس جدید برای انسان و حیوانات کشنده است. سهولت انتشار آن، همراه با قابلیت فوق العاده آن برای بیماری و مرگ در افراد آلوده، آن را به خطری برای جامعه تبدیل می کند. اشعه ایکس قفسه سینه یک آزمایش رادیوگرافی معمولی است اما تفسیر آن برای تشخیص اولیه ویروس کرونا از سایر عفونت‌های مرتبط دشوار است. اطلاعات قابل توجهی در مورد ویژگی های فیزیولوژیکی و تشریحی دارد. استخراج اطلاعات مرتبط از آن می تواند گاهاً حتی برای یک رادیولوژیست حرفه ای چالش برانگیز باشد. در این راستا، مدل‌های یادگیری عمیق می‌توانند به نتایج سریع، دقیق و قابل اعتماد کمک کنند. مجموعه داده های موجود کوچک هستند و از مشکل تعادل رنج می برند. در این مقاله، ما یک مجموعه داده نسبتا بزرگتر و متعادل در مقایسه با مجموعه داده های موجود آماده می کنیم. علاوه بر این، ما مدل‌های یادگیری عمیق، یعنی AlexNet، SqueezeNet، DenseNet201، Mobile-NetV2 و InceptionV3 را با تغییرات متعددی مانند آموزش مدل‌ها از ابتدا، تنظیم دقیق بدون وزنه‌های از پیش آموزش‌دیده، تنظیم دقیق همراه با به‌روزرسانی موارد از پیش آموزش‌دیده، تجزیه و تحلیل می‌کنیم. وزن تمام لایه ها و تنظیم دقیق با وزنه های از پیش تمرین شده همراه با اعمال افزایش. نتایج ما نشان می‌دهد که تنظیم دقیق با تقویت، بهترین نتایج را در مدل‌های از پیش آموزش دیده ایجاد می‌کند. در نهایت، ما تنظیمات معماری را در مدل‌های MobileNetV2 و InceptionV3 برای یادگیری ویژگی‌های پیچیده‌تر انجام داده‌ایم، که سپس در مدل مجموعه پیشنهادی ما ادغام می‌شوند. عملکرد مدل ما با استفاده از چهار معیار عملکرد مختلف با آزمون t دو طرفه زوجی در ۵ تقسیم مختلف آموزش و مجموعه آزمایشی مجموعه داده‌های ما، از نظر آماری در برابر سایر مدل‌ها تجزیه و تحلیل می‌شود. ما متوجه شدیم که از نظر آماری بهتر از روش های رقیب خود برای چهار معیار است. بنابراین، طبقه‌بندی به کمک رایانه بر اساس مدل پیشنهادی می‌تواند به رادیولوژیست‌ها در شناسایی ویروس کرونا از سایر عفونت‌های مرتبط در اشعه ایکس قفسه سینه با دقت بالاتر کمک کند. این می تواند به یک تشخیص قابل اعتماد و سریع کمک کند، در نتیجه جان های ارزشمند را نجات دهد و تأثیر نامطلوب بر اقتصاد اجتماعی جامعه ما را کاهش دهد(عفونت های مربوط به قفسه سینه).

Title: Deep learning model for distinguishing novel coronavirus from other chest related infections in X-ray images

Abstract

 Novel Coronavirus is deadly for humans and animals. The ease of its dispersion, coupled with its tremendous capability for ailment and death in infected people, makes it a risk to society. The chest X-ray is conventional but hard to interpret radiographic test for initial diagnosis of coronavirus from other related infections. It bears a considerable amount of information on physiological and anatomical features. To extract relevant information from it can occasionally become challenging even for a professional radiologist. In this regard, deep-learning models can help in swift, accurate and reliable outcomes. Existing datasets are small and suffer from the balance issue. In this paper, we prepare a relatively larger and well balanced dataset as compared to the available datasets. Furthermore, we analyze deep learning models, namely, AlexNet, SqueezeNet, DenseNet201, MobileNetV2 and InceptionV3 with numerous variations such as training the models from scratch, fine-tuning without pre-trained weights, fine-tuning along with updating pre-trained weights of all layers, and fine-tuning with pretrained weights along with applying augmentation. Our results show that fine-tuning with augmentation generates best results in pre-trained models. Finally, we have made architectural adjustments in MobileNetV2 and InceptionV3 models to learn more intricate features, which are then merged in our proposed ensemble model. The performance of our model is statistically analyzed against other models using four different performance metrics with paired two-sided t-test on 5 different splits of training and test sets of our dataset. We find that it is statistically better than its competing methods for the four metrics. Thus, the computer-aided classification based on the proposed model can assist radiologists in identifying coronavirus from other related infections in chest Xrays with higher accuracy. This can help in a reliable and speedy diagnosis, thereby saving valuable lives and mitigating the adverse impact on the socioeconomics of our community.

      دیدگاهها بسته است.

      محصولات مشابه
      عملکرد زیست محیطی شرکت و ارزش شرکت – با استفاده از معیارهای انتشار آلودگی
      خـریـد محـصـول
      اندازه گیری کمی عدم قطعیت بارندگی و تبخیر و تعرق در مدل‌سازی بارش-رواناب
      خـریـد محـصـول
      فیزیولوژی تنش غرقابی در جو
      خـریـد محـصـول
      ارزش مصرف، نوآوری مصرف کننده و پذیرش محصول جدید: شواهد تجربی از ویتنام
      خـریـد محـصـول
      کیفیت پایین خواب و خواب آلودگی در روز در متخصصان بهداشت: شیوع و عوامل مرتبط
      خـریـد محـصـول
      پریکاردیت حاد پس از مداخله عروق کرونر از راه پوست: کیس ریپورت
      خـریـد محـصـول
      آگاهی موقعیتی: تکنیک ها، چالش ها و چشم اندازها
      خـریـد محـصـول
      چگونه از مشکلات رایج اجرای فناوری اطلاعات سلامت جلوگیری کنیم
      خـریـد محـصـول
      ارزیابی هوشیاری و توجه پایدار در بزرگسالان مبتلا به ADHD
      خـریـد محـصـول
      کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

      در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

      از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

       
      برو بالا