دوره 15، شماره 3 - ( مرداد و شهریور 1400 )
جلد 15 شماره 3 صفحات 302-291 |
برگشت به فهرست نسخه ها
Ethics code: IR.TUMS.VCR.REC.1399.150
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Gholamzadeh M, Ayyoubzadeh S M, Zahedi H, Rostam Niakan Kalhori S. Classification of Chest Radiology Images in Order to Identify Patients with COVID-19 Using Deep Learning Techniques. payavard 2021; 15 (3) :291-302
URL: http://payavard.tums.ac.ir/article-1-7001-fa.html
URL: http://payavard.tums.ac.ir/article-1-7001-fa.html
غلامزاده مرسا، ایوب زاده سید محمد، زاهدی هدا، رستم نیاکان کلهری شراره. کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک‌های یادگیری ژرف. پیاورد سلامت. 1400; 15 (3) :291-302
1- دانشجوی دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران
2- دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایرا
3- دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
4- دانشیار گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ پژوهشگر موسسه تحقیقات انفورماتیک پزشکی PLRI، دانشگاه پزشکی هانوفر و دانشگاه فنی برانشوایگ، برانشوایگ، آلمان ،Sh-rniakank@sina.tums.ac.ir
2- دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایرا
3- دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران
4- دانشیار گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ پژوهشگر موسسه تحقیقات انفورماتیک پزشکی PLRI، دانشگاه پزشکی هانوفر و دانشگاه فنی برانشوایگ، برانشوایگ، آلمان ،
چکیده: (1700 مشاهده)
زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید ۱۹، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.
روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.
یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.
نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.
روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.
یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.
نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.
واژه‌های کلیدی: شبکه عصبی کانولشن، کرونا ویروس، کووید 19، یادگیری ماشین، یادگیری ژرف، یادگیری انتقالی
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
