covix-net: سامانه مبتنی بر یادگیری عمیق برای تشخیص و تمایز عفونت کوید-19 و ذات‌الریه در تصاویر رادیوگرافی قفسه سینه

در این پژوهش، سامانه covix-net مبتنی بر یادگیری عمیق برای تشخیص و تمایز بیماری کوید-19 و انواع ذات‌الریه از روی تصاویر رادیوگرافی سینه ارائه می‌شود. معماری مدل یادگیری covix-net، بر اساس معماری اِکسپشن چند لایه و متناسب با کاربرد مورد هدف طراحی شده است. در این سامانه، از یادگیری انتقالی برای رفع مشکل کمبود داده آموزشی استفاده می‌شود. همچنین برای فراهم نمودن داده آموزشی کافی، یک پایگاه تصاویر جامع با بهره‌گیری مناسب از دو منبع مختلف از تصاویر قفسه سینه ایجاد شده است. برای جلوگیری از مشکل بیش‌برازش، فنون افزایش داده، تَنزلِ وزن و تنظیم ‌کننده‌های l2 استفاده شده است. نتایج ارزیابی‌ها نشان می‌دهد دقت covix-net در حالت سه طبقه (کوید-19، ذات‌الریه و ریه طبیعی) %25/99، و در حالت چهار طبقه (کوید-19، ذات‌الریه باکتریایی، ذات‌الریه ویروسی و ریه طبیعی) %95 است که در مقایسه با دیگر روش‌های طبقه‌بندی مبتنی بر یادگیری عمیق با ساختار مشابه، بهبود دقت %5 و در مقایسه با روش مبتنی بر یادگیری عمیق انتقالی موازی، با ساختار پیچیده، بهبود دقت حدود نیم درصد را دارد. کلیه کدهای پیاده‌سازی covix-net و مجموعه تصاویر گردآوری شده در دسترس عموم پژوهشگران قرار گرفته است.

covix-net: a deep learning-based system for diagnosis and differentiation of covid-19 infection and pneumonia in chest radiography images

coronavirus (covid-19) is a new infectious disease with a very high rate of infection and mortality. therefore, its early detection has become one of the vital measures of human society. this virus is commonly tested using sputum or blood samples, and the result is usually announced within hours or even days after the test. however, even an hour delay in announcing the test results can lead to many more people being infected. another way to diagnose the virus is to take a chest x-ray (chest radiography images), which is much faster and cheaper than other tests. however, the rate of human diagnostic error from these images is high, and more importantly, it is very difficult to distinguish covid-19 infection from other infections such as pneumonia. in this paper, an intelligent system, termed covix-net, based on deep machine learning techniques, is presented to diagnose and differentiate covid-19 disease and various types of pneumonia (bacterial or viral) using chest radiographs. the covix-net learning model is based on the xception architecture, the accuracy of which is improved by the use of transfer learning and data augmentation techniques. to provide adequate training data, a comprehensive database is created by integrating two different sources of chest x-ray images. the evaluations performed on the test images show that the accuracy of covix-net diagnosis in the three-class mode (covid-19, pneumonia, and normal lung) is %99.25, and in the four-class mode (covid-19, bacterial pneumonia, viral pneumonia, and normal lung) is %95. compared to other similar deep learning-based classification methods, the accuracy is improved by 5%, and compared to the transfer learning-based parallel deep learning method, with a complex structure, the accuracy is improved by about half a percent. these promising results demonstrate the superiority of covix-net against the competitors, and suggest that covix-net can be a useful tool to assist clinicians and radiologists in diagnosing patients with covid-19. all the implementation source codes and collected dataset are made publicly available.