تشخیص بیماری کووید-19 از طریق یادگیری انتقالی با استفاده از تصاویر سیتیاسکن ریه
طاها نوشهری
مهندسی برق و کامپیوتر
۱۴۰۱
۷۵ص.
سی دی
کارشناسی ارشد
مهندسی برق گرايش مخابرات سیستم
۱۴۰۱/۰۶/۱۵
شیوع گسترده ویروس کووید-19 از اوایل سال 2020 که باعث مرگومیر بیش از 6 میلیون نفر در سراسر جهان شده و زندگی عادی بسیاری از مردم جهان را تحت تأثیر قرار داده است. از عوامل بسیار مهم در درمان موفق بیماران مبتلا به این ویروس، تشخیص بهموقع و سپس مراقبت ویژه از این بیماران است. تعداد اندک، هزینهی بالای کیتهای تشخیص بیماری کووید-19 و همچنین تهاجمی بودن این روش باعث تمرکز محققین روی روشهای جایگزین شدهاست. از جملهی این روشها، تشخیص ابتلا به بیماری با استفاده از تصاویر پزشکی، مانند تصاویر سیتیاسکن، تصاویر رادیوگرافی و تصاویر سونوگرافی است. تحقیقات گسترده سالهای اخیر در زمینهی یادگیری عمیق نتایج بسیار خوبی را برای اکثر زیرشاخههای بینایی ماشین، ازجمله پردازش تصاویر پزشکی، به همراه داشته است. در این میان، شبکههای عصبی کانولوشنی، عامل اصلی دقت بالای مدلهای یادگیری عمیق در تشخیص و دستهبندی تصاویر پزشکی بودهاند. بر همین اساس، در این تحقیق سعی شدهاست که تصاویر سیتیاسکن ریه بیماران مبتلا به کووید-19 و بیماران سالم موجود در مجموعهی دادههای SARS-CoV-2 CT-Scan Dataset، توسط مدلهای یادگیری عمیق تفکیک شوند و برای این کار انواع مختلف مدلهای یادگیری عمیق مورد بررسی قرارگرفتهاست. همچنین، با توجه به اینکه یادگیری انتقالی و استفاده از وزنهای شبکههای ازپیشآموزشیافته بهجای استفاده از وزنهای تصادفی، ممکن است سرعت همگرایی مدل یادگیری عمیق را افزایش دهد، در این تحقیق نیز از یادگیری انتقالی بهره گرفته شدهاست. درنهایت، با استفاده از یادگیری انتقالی روی شبکه موبایلنت امکان تفکیک موفقیتآمیز 75/98 درصد تصاویر این مجموعهی دادهها فراهم شدهاست.
Abstract: The widespread outbreak of the COVID-19 virus since the beginning of 2020, which has caused the death of more than 6 million people, has affected the normal lives of many people around the world. One of the most important factors in the successful treatment of patients infected by this virus is timely diagnosis of their infection, and taking special care of these patients. The small number and the high cost of diagnostic kits for COVID-19 virus, besides the invasiveness of this method, have compelled the researchers to focus on alternative diagnosis methods. Among these methods is the diagnosis of the disease using medical images, such as CT-scan images, Radiographic images, and Ultrasound images. Recent Research in the field of deep learning has yielded excellent results in most of the categories of computer vision, including medical image processing. Meanwhile, convolutional neural networks have been the main reason for the high accuracy of deep learning models in diagnosing and classifying medical images. Accordingly, in this research, we have tried to separate the lung CT-scan images of patients infected with COVID-19 and those of healthy patients in the SARS-CoV-2 CT-Scan Dataset, by using deep learning models, and consequently different types of deep learning models have been investigated. Furthermore, bearing in mind that transfer-learning and the usage of the network weights of a pretrained network instead of random weights may increase the convergence speed of a deep learning model, transfer-learning has been employed in this research. Finally, by using transfer-learning on the MobileNet neural network, we showed that it is possible to successfully classify 98.75% of the images in this dataset.
COVID-19 Detection through Transfer Learning Using Lung CT scan Images