کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک‌های یادگیری ژرف

زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید 19، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است. روش بررسی: از 15153 تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید 19 و مبتلا به پنومونی در مخزن داده‌های سایت kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastai مبتنی بر تکنیک کانولوشن (cnn) و براساس چهار معماری (resnet ,vgg mobilenet ,alexnet)، 9 مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و fmeasure ارزیابی شد.یافته‌ها: از بین 9 مدل ایجاد شده، مدل resnet101 دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت 0/95/29 بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از 96% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل resnet101 توانست صحتی معادل 74/98/0 در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید 19 می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.

Classification of Chest Radiology Images in Order to Identify Patients with COVID-19 Using Deep Learning Techniques

Background and Aim: Due to the important role of radiological images for identifying patients with COVID19, creating a model based on deep learning methods was the main objective of this study.Materials and Methods: 15,153 available chest images of normal, COVID19, and pneumonia individuals which were in the Kaggle data repository was used as dataset of this research. Data preprocessing including normalizing images, integrating images and labeling into three categories, train, test and validation was performed. By Python language in the fastAI library based on convolution technique (CNN) and four architectures (ResNet, VGG MobileNet, AlexNet), nine models through transitional learning method were trained to recognize patients from healthy persons. Finally, the performance of these models was evaluated with indicators such as accuracy, sensitivity and specificity, and FMeasure.Results: Of the nine generated models, the ResNet101 model has the highest ability to distinguish COVID19 cases from other cases with 95.29% sensitivity. Other applied models showed more than 96% accuracy in correctly diagnosis of various cases in test phase. Finally, the ResNet101 model was able to demonstrate 98.4% accuracy in distinguishing between healthy and infected cases.Conclusion: The obtained accuracy showed the accurate performance of developed model in detecting COVID19 cases. Therefore, by implementing an application based on the developed model, physicians can be helped in accurate and early diagnosis of cases. an application based on the developed model, physicians can be helped in accurate and early diagnosis of infected cases.