تشخيص بيماري کوييد 19 با استفاده از سی تي اسكن و تكنيک هاي يادگيري عميق
محمد پيرنيا
مهندسی برق و کامپیوتر
۱۴۰۰
۵۷ص.
سی دی
کارشناسی ارشد
مهندسی کامپیوتر گرایش هوش مصنوعی و رباتيکز
۱۴۰۰/۱۱/۲۷
سي تي اسکن ريه افراد مبتلا به بيماري کوييد 19 يک ابزار معتبر به منظور تشخيص کوييد 19 و همچنين معتبر و قابل دسترس در بيشتر نقاط جهان است. اين پژوهش با هدف ارائه شبکه عصبي، جهت تشخيص بيماري کوييد 19 که قابليت استفاده در سيستم هايي با مشخصات سخت افزاري ضعيف که فاقد کارت گرافيک گران قيمت هستند و يا حتي بدون کارت گرافيک مستقل هستند ارائه شده است. مجموعا 56652 تصوير سي تي اسکن از چندين پايگاه دادها جمع آوري شده است. تحت پيش پردازش هاي انجام شده تصاويري که داخل ريه ها به درستي مشخص نبوده و يا داراي اطلاعات مناسبي نبودند از پايگاه داده نهايي حذف شدند و سپس به استخراج ريه ها از تصاوير سي تي اسکن پرداخته ايم و قسمت هايي از تصاوير که داراي اطلاعات ارزشمندي جهت طبقه بندي تصاوير نبوده اند از تصاوير نهايي جدا شدند که در نهايت تصاوير ورودي شبکه هاي عصبي در اين پژوهش صرفا تصاوير ريه ها خواهد بود که از نظر حجم و ابعاد تفاوت قابل ملاحظه اي با تصاوير سي اتي اسکن کامل دارند. پايگاه داده با روش دوران تصاوير در زاويه تصادفي تقويت شده است.در مرحله بعد شبکه اسکوئيزنت پيشنهادي را معرفي کرديم که با استفاده از پيش پردازش ها و بهينه سازي هاي انجام شده در معماري اين شبکه در دو آزمون مختلف که آن ها را آزمون هاي شماره 1 و2 نامگذاري کرديم، مورد ارزيابي قرار داده ايم. در آزمون شماره 1، 348 تصوير سي تي اسکني که از يک پايگاه داده مستقل استخراج شده است و شبکه آموزش ديده براي اولين بار در فاز آزمون اين تصاوير را مشاهده کرده است، دقت 53/92 درصدي را در اين آزمون گزارش نمود و در آزمون شماره 2 که حاوي 512 تصوير که از پايگاه داده اصلي پژوهش قبل از فاز آموزش و ارزيابي شبکه پيشنهادي استخراج شده بودند به دقت 100 درصدي دست يافت. شبکه پيشنهادي از سرعت طبقه بندي بهينه اي نيز برخوردار است، عمل طبقه بندي 512 تصوير سي تي اسکن دريک سيستم با مشخصات سخت افزاري قدرتمند در 466/6 ثانيه و در يک سيستم داراي مشخصات مشابه سيستم هاي مستقر در فضاهاي بيمارستاني و درماني در 25/150ثانيه صورت مي گيرد که قبل از بهینه سازي شبکه به ترتيب در 710/7ثانیه و 945/235 ثانیه عمل طبقه بندي انجام مي شده، تاثیر بهينه سازي شبکه در سیستم هاي ضعیف تر و تعداد تصاویر بيشتر مشهود است .
Abstract:Lung CT scan of people, who are likely to develop covid 19, is an internationally valid and available option that helps physicians in determining whether their clients have contracted covid 19. This research aims at developing a neural network method that is implementable in computers equipped with weak and inexpensive hardware components. The research takes advantage of 56652 CT scan images, which are real benchmark instances. The first step of developed neural network algorithm involves preprocessing phase that begins with removing images, which might include inappropriate or unknown information. This is followed by extracting images to remove the ones that exclude invaluable sets of information. This will narrow the dataset down to a novel collection of lung CT images which is considerably smaller than initial dataset. Moreover, an image rotation method with randomly defined angles is applied to strengthen purified dataset. Two effective tests are performed in the next to evaluate performance of several preprocessing and optimization procedures embedded into main structure of developed squeeze net neural network algorithm. After assigning 348 and 512 benchmark instances for performing training and test purposes, respectively, we came up with 53 and 100 percent accuracy for training and test procedures in analyzing CT scans. Implementing developed algorithm in a computer with strong hardware system and a similar one located in a clinical environment, we realized that optimization and preprocessing procedures could reduce computational time from 710 and 945 seconds to 466 and 25 seconds, respectively.
Diagnosis of COVID-19 using CT scan images and deep learning techniques