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.
- 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.