تشخیص کووید-۱۹ از سی تی اسکن قفسه سینه: یک رویکرد نظارت شده ضعیف CNN-LSTM

تشخیص کووید-۱۹ از سی تی اسکن قفسه سینه: یک رویکرد نظارت شده ضعیف CNN-LSTM

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 21

تعداد کلمات : 5900

مجله : AI

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

:

تاریخ انتشار
1 آوریل 2022
دسته بندی
تعداد بازدیدها
1261 بازدید
36,000 تومان
دانلود اصل مقاله

عنوان فارسی مقاله:تشخیص کووید-۱۹ از سی تی اسکن قفسه سینه: یک رویکرد نظارت شده ضعیف CNN-LSTM

 چکیده

  پیشرفت در یادگیری عمیق و در دسترس بودن داده های تصویربرداری پزشکی منجر به استفاده از معماری های مبتنی بر CNN در سیستم های کمکی تشخیص بیماری شده است. علی‌رغم استفاده فراوان از تست‌های مبتنی بر واکنش زنجیره‌ای رونویسی معکوس-پلیمراز در تشخیص کووید-۱۹، تصاویر CT مکمل قابل‌کاری با میزان حساسیت بالای خود ارائه می‌دهند. در اینجا، ما طبقه بندی پنومونی COVID-19 و پنومونی غیرCOVID-19 را در سی تی اسکن قفسه سینه با استفاده از روش های یادگیری عمیق کارآمد مطالعه می کنیم تا به راحتی توسط هر بیمارستانی اجرا شود. ما طراحی چارچوب شبکه عمیق خود را گزارش می‌کنیم که شبکه‌های عصبی کانولوشنال و معماری‌های حافظه کوتاه‌مدت دو طرفه را در بر می‌گیرد. مطالعه ما به ویژگی بالا (پنومونی COVID-19: 98.3٪، پنومونی غیرCOVID-19: 96.2٪ سالم: ۸۹٫۳٪) و حساسیت بالا (پنومونی COVID-19: 84٪، پنومونی غیرCOVID-19: 93 ٪ سالم) : ۹۴٫۹٪ در طبقه بندی پنومونی COVID-19، پنومونی غیرCOVID-19 و بیماران سالم دست یافت.  در مرحله بعد، ما توضیحات بصری را برای پیش‌بینی‌های شبکه عصبی کانولوشن با نگاشت فعال‌سازی کلاس با وزن گرادیان (Grad-CAM) ارائه می‌کنیم. نتایج با نشان دادن اینکه کدورت‌های شیشه‌، شاخص‌های بیماری ذات‌الریه COVID-19، توسط شبکه عصبی کانولوشنال ما ضبط شده‌اند، توضیح‌پذیری مدلی را ارائه کردند. در نهایت، ما رویکرد خود را در سه بیمارستان برای اثبات سازگاری و کارایی آن پیاده‌سازی کرده‌ایم.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: COVID-19 Diagnosis from Chest CT Scans: A Weakly Supervised CNN-LSTM Approach

Abstract

 Advancements in deep learning and availability of medical imaging data have led to the use of CNN-based architectures in disease diagnostic assisted systems. In spite of the abundant use of reverse transcription-polymerase chain reaction-based tests in COVID-19 diagnosis, CT images offer an applicable supplement with their high sensitivity rates. Here, we study the classification of COVID-19 pneumonia and non-COVID-19 pneumonia in chest CT scans using efficient deep learning methods to be readily implemented by any hospital. We report our deep network framework design that encompasses Convolutional Neural Networks and bidirectional Long Short Term Memory architectures. Our study achieved high specificity (COVID-19 pneumonia: 98.3%, non-COVID- 19 pneumonia: 96.2% Healthy: 89.3%) and high sensitivity (COVID-19 pneumonia: 84.0%, nonCOVID-19 pneumonia: 93.9% Healthy: 94.9%) in classifying COVID-19 pneumonia, non-COVID-19 pneumonia and healthy patients. Next, we provide visual explanations for the Convolutional Neural Network predictions with gradient-weighted class activation mapping (Grad CAM). The results provided a model explainability by showing that Ground Glass Opacities, indicators of COVID-19 pneumonia disease, were captured by our convolutional neural network. Finally, we have implemented our approach in three hospitals proving its compatibility and efficiency.