ثبت نام در مجله
ورود به پنل کاربری
مهلت ارسال مقالات

آخرین مهلت ارسال مقالات برای دوره ۴ -شماره ۱۲ -آذر ماه ۱۴۰۳:

(۱۵ آذر ماه ۱۴۰۳)

 
بانک ها و نمایه ها


civilica

56454

tpbin

magiran

jref-fa

Irindexing

Untitled

 

قوانین

قانون بین المللی کپی رایت

 این نشریه تحت قانون بین المللی کپی رایت BY: Creative Commons  می‌باشد.

قوانین کمیتۀ اخلاق در انتشار

این نشریه تابع قوانین کمیتۀ اخلاق در انتشار (COPE) است و از آیین نامه اجرایی قانون پیشگیری و مقابله با تقلب در آثار علمی پیروی می نماید.

open access
دسترسی آزاد به مقالات نشریه
 
DOAJ
 
تشخیص بیماری کووید-19 از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی
دوره 4، شماره ۱۱، ۱۴۰۳، صفحات 23 - 33
نویسندگان : نازه آسادوریان 1 ، شکوفه یراقی* 2 ، حمیدرضا شیرزادفر 3 ، آرائیک طهماسیان 4 ، ابراهیم نصر اصفهانی 5 ، هاجر دانش 6

1 کارشناسی ارشد ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

2 مربی، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

3 استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

4 کارشناسی ارشد ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

5 استادیار، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

6 استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران

چکیده :
بیماری کووید-19 که باعث سندرم حاد تنفسی می شود، یک بیماری مسری و کشنده است که اثرات مخربی بر جامعه و زندگی انسان دارد و به طور قابل توجهی بر اقتصاد جهان تأثیر گذاشته است. حیاتی ترین گام در مبارزه با بیماری کووید-19 تشخیص سریع بیماران مبتلا است. تصاویر سی تی قفسه سینه و کیت‌های تشخیصی RT-PCR اغلب برای تشخیص بیماری استفاده می شوند. هر دو روش ذکر شده با برخی از مشکلات روبرو هستند، به این ترتیب در پژوهش‌‌های اخیر از مدل‌های یادگیری عمیق برای تشخیص بیماری کووید-19 استفاده شده است. مدل‌های یادگیری عمیق مدل‌هایی سریع و دقیق هستند که برای تشخیص این بیماری در نظر گرفته شده‌اند. روش پیشنهادی در این مقاله، استفاده از شبکه عصبی کانولوشن از پیش آموزش دیده برای تشخیص بیماری کووید-19 بر روی دیتاست سی تی اسکن SARS-COV-2 است. این دیتاست شامل1252 سی تی اسکن مثبت برای عفونت کووید-19 و 1230 سی تی اسکن برای بیماران غیر آلوده به عفونت کووید-19 می‌باشد. شبکه عصبی کانولوشن از پیش آموزش دیده InceptionResNetV2 در مقایسه با سایر شبکه های از پیش آموزش دیده به نتایج بهتری، از جمله صحت 97.59%، دقت 98.78%، بازیابی 96.41% و میانگین F1 %97.58 دست یافته است.
کلمات کلیدی :
یادگیری انتقالی، بیماری کووید-19، تصاویر سی تی قفسه سینه، شبکه عصبی کانولوشن، یادگیری عمیق