شناسایی موارد ابتلا به کووید-19 با استفاده از شبکه ی عصبی فازی نوع 2 عمیق براساس تصاویر x-ray قفسه سینه

امروزه ویروس کرونای جدید به یک اپیدمی بزرگ جهانی تبدیل شده است. روزانه درصد بالایی از جمعیت کل جهان به این ویروس مبتلا می‌شوند و درصد چشمگیری در اثر ابتلا جان خود را از دست می‌دهند. با توجه به ماهیت واگیرداری شدید این ویروس، تشخیص، درمان و قرنطینه ی به‌موقع امری ضروری تلقی می‌شود. در این مقاله یک روش خودکار برای تشخیص کووید-19 از تصاویر اشعه ایکس قفسه سینه براساس شبکه‌های یادگیری عمیق ارائه شده است. برای شبکه ی یادگیری عمیق پیشنهادی در این کار از ترکیب شبکه‌های کانولوشنال با توابع فعال‌سازی فازی نوع 2 به‌منظور مواجهه ی بهتر با نویز استفاده شده است. همچنین برای افزایش دادگان، شبکه‌های مولد تخاصمی در این پژوهش به کار گرفته شده‌اند. صحت نهایی حاصل‌شده برای طبقه‌بندی سناریوی اول (سالم و کووید-19) و سناریوی دوم (سالم، پنومونیا و کووید-19) به‌ترتیب حدود 99 و 95 درصد است. علاوه بر این، نتایج روش پیشنهادی ازنظر معیارهای صحت، حساسیت و اختصاصیت در مقایسه با پژوهش‌های اخیر امیدوارکننده‌اند؛ به طوری که برای طبقه‌بندی سناریوی اول به‌ترتیب دارای حساسیت و اختصاصیت 100 و 99 درصد است. روش پیشنهادی با راه‌یابی به حوزه ی کاربردی می‌تواند به‌عنوان دستیار پزشک در طول درمان بیماران استفاده شود.

recognition covid-19 cases using deep type-2 fuzzy neural networks based on chest x-ray image

today, the new coronavirus (covid-19) has become a major global epidemic. every day, a large proportion of the world’s population is infected with the covid-19 virus, and a significant proportion of those infected dies as a result of this virus. because of the virus’s infectious nature, prompt diagnosis, treatment, and quarantine are considered critical. in this paper, an automated method for detecting covid-19 from chest x-ray images based on deep learning networks is presented. for the proposed deep learning network, a combination of convolutional neural networks with type-2 fuzzy activation function is used to deal with noise and uncertainty. in this study, generative adversarial networks (gans) were also used for data augmentation. furthermore, the proposed network is resistant to gaussian noise up to 10 db. the final accuracy for the classification of the first scenario (healthy and covid-19) and the second scenario (healthy, pneumonia and covid-19) is about 99% and 95%, respectively. in addition, the results of the proposed method in terms of accuracy, precision, sensitivity, and specificity in comparison with recent research are promising. for example, the proposed method for classifying the first scenario has 100% and 99% sensitivity and specificity, respectively. in the field of medical application, the proposed method can be used as a physician’s assistant during patient treatment.