25124

بكارگيري يادگيري عميق در تصاوير CT ريه براي بهبود در روند تشخيص بيماري COVID-19

كارشناسي ارشد

مهندسي پزشكي-بيوالكتريك

1396

1400/3/4

دكتر حميد بهنام

برق

تشخيص به موقع بيماران كوويد-19 مي تواند از ابتلاي افراد ديگر به اين بيماري جلوگيري كند، زيرا راه هاي انتقال اين بيماري، از طريق تماس ترشحات بيماران با چشم، بيني و دهان و همچنين از طريق تنفس مي باشد. به همين دليل از پيدايش اين بيماري در ووهان چين، اكثر محققان با استفاده از روش هاي تشخيص كامپيوتري و خودكار و همچنين با استفاده از روش هاي آناليزي براي كمك به متخصيص براي پشت سر گذاشتن اين پاندمي و تسريع فرآيند تشخيص بيماران و افزايش دقت كمك مي كنند. لازم به ذكر است كه به دليل اينكه بيماران كوويد-19 ضمن داشتن بيماري ممكن است 2 تا 3 هفته هيچ علائمي نداشته باشند و به همين دليل تشخيص زود هنگام بيماران و هرچه سريع تر قرنطينه كردن آنان از ديگر افراد جامعه، مي تواند كمك شاياني در عبور از اين پاندمي انجام دهد و باعث حفظ سلامتي و زندگي افراد بيشتر شود. به منظور برطرف كردن مشكل سرعت در پردازش داده هاي تصاوير CTسينه بيماران كوويد-19، همان طور كه مي دانيد پردازش داده هاي سه-بعدي بسيار زمان بر و وقت گير است ،از كاهش اندازه تصاوير ورودي استفاده شده و همچنين براي رفع كاهش ميزان دقت شبكه، از افزايش ميزان پيچيدگي شبكه توسط افزايش ميزان نورون هاي كانولوشن سه-بعدي و تابع هزينه آنتروپي متقابل باينري به جهت نظارت بر آن براي آموزش مدل در نظر گرفته شده است. كارآيي هر يك از روش هاي ارائه شده بر عملكرد كلاس بندي بيماران كوويد-19 در اين تحقيق مورد بررسي قرار گرفته است. در اين پژوهش نشان داديم كه كاهش تصاوير ورودي تا ابعاد 64*64*64 به تسريع فرآيند آموزش و امكان استفاده از آموزش توسط شبكه هايي پيچيده تر، توأم با كاهش زمان آموزش شبكه كمك مي كند. از دقت 78.6% و ارزيابي دقت 58.3% به ميزان دقت 83.57% و ارزيابي دقت 71.67% رسيديم. همچنين زمان آموزش شبكه براي هر ايپاك به تنها 8 ثانيه رسيديم. البته براي كارهاي بيشتر بر روي اين داده، پيشنهاد مي كنيم كه با استفاده از يادگيري انتقالي، پردازش بر روي اطلاعات اين ديتاست در تحقيقات بيشتر آينده انجام گيرد.

1400/06/02

The use of deep learning in lung CT images to improve the process of diagnosis COVID-19

5/25/2022 12:00:00 AM

Early diagnosis of Covid-19 patients can prevent other people from getting the disease, because the ways of transmission of this disease are through contact of patients' secretions with eyes, nose and mouth, as well as through breathing. For this reason, since the outbreak of the disease in Wuhan, China, most researchers have been using computer and automated diagnostic methods as well as analytical methods to help the specialist to get past the pandemic and speed up the patient diagnosis process and increase accuracy. كردن. It should be noted that because Covid-19 patients may not have any symptoms for 2 to 3 weeks while having the disease, early detection of patients and quarantine of them as soon as possible from other members of the community can be of great help in Cross this pandemic and maintain the health and life of more people. In order to solve the problem of speed in processing CT data of chest images of Covid-19 patients, as you know, 3D data processing is very time consuming, reducing the size of input images and also to reduce the accuracy The network is considered to increase the complexity of the network by increasing the amount of three-dimensional convolution neurons and the cost function of binary cross entropy to monitor it for model training. The effectiveness of each of the proposed methods on the classification performance of Covid-19 patients has been investigated in this study. In this study, we showed that reducing the input images to the dimensions of 64*64*64 to accelerate the training process and the possibility of using training by more complex networks, along with reducing network training time. From 78.6% accuracy and 58.3% accuracy evaluation, we reached 83.57% accuracy and 71.67% accuracy evaluation. Also, we reached the network training time for each AIPAC in only 8 seconds. Of course, for further research, we suggest using transfer learning on this data.

كوويد-19 , يادگيري عميق , هوش مصنوعي , سي تي اسكن ريه

COVID-19 , Deep Learning(DL) , Artificial Inteligence(AI) , lung CT