دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 4 ۱۱ 2024 09 09 Covid-19 Detection from Chest CT Scans Using Transfer Learning Approach تشخیص بیماری کووید-19 از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی 23 33 10.22051/jera.2021.31891.2698 FA نازه کارشناسی ارشد ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران شکوفه مربی، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران حمیدرضا استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران آرائیک کارشناسی ارشد ، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران ابراهیم استادیار، گروه کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران هاجر استادیار، گروه برق و مهندسی پزشکی، دانشکده فنی مهندسی، دانشگاه شهید اشرفی اصفهانی، اصفهان، ایران 2024 08 19 Covid-19, which causes acute respiratory syndrome, is a contagious and fatal disease that has devastating effects on society and human life, and has significantly affected the world economy. The most critical step in the fight against Covid-19 is the rapid diagnosis of infected patients. Chest CT images and RT-PCR diagnostic kits are often used to diagnose the disease. Both mentioned methods face some problems, thus in recent research, deep learning models have been used to diagnose the disease of Covid-19. Deep learning models are fast and accurate models that are considered to diagnose this disease. The proposed method in this article is to use a pre-trained convolutional neural network to diagnose the disease of Covid-19 on the SARS-COV-2 CT scan dataset. This dataset includes 1252 CT scan images belonging to COVID-19 cases and 1230 CT scan images belonging to healthy cases. The pre-trained convolutional neural network InceptionResNetV2 has achieved better results compared to other pre-trained networks, including 97.59% accuracy, 98.78% precision, 96.41% recall and 97.58% F1-Score. 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. /downloadfilepdf/1659638