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).

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: 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.