ارائه راهکاری بر پایه یادگیری عمیق ترکیبی جهت بهبود دقت شناسایی تصاویر سی‌تی‌اسکن ریه بیماران کووید-19

بیماری کرونا ویروس 2019 یا کووید-19، بیماری عفونی است که بر اثر ویروس سندروم حاد تنفسی (sars-cov-2) ایجاد می‌شود و به صورت همه‌گیری در سطح جهان شیوع پیدا کرده است. پس از آغاز انتشار سریع این بیماری در سال 2019، یک وضعیت اورژانسی سلامت عمومی از سوی سازمان بهداشت جهانی اعلام شد و جامعه بشری شاهد افزایش بسیار زیاد مرگ و میر ناشی از جهش‌های مختلف آن بود. از جمله علایم بالینی می‌توان به تب، سرفه، تنگی نفس و نابویایی اشاره کرد. خوشبختانه محققان در این اواخر توانسته‌اند با استفاده از روش‌های مختلف تشخیص در جلوگیری از انتشار و تسریع در درمان آن موفقیت‌های بسیاری را به دست آورند. هدف از این پژوهش، تشخیص بیماری کووید-19 با پردازش تصاویر سی‌تی‌اسکن ریه افراد با استفاده از الگوریتم‌های ترکیبی یادگیری عمیق بر پایه شبکه‌های عصبی کانولوشن است. در این راستا، از دو مجموعه داده تصاویر سی‌تی‌اسکن ریه افراد که از داده‌های kaggle و github به دست آمده استفاده می‌گردد. معماری‌های شبکه‌های عصبی کانولوشن بکار رفته در این پژوهش شامل vgg16، vgg19، inception v3، resnet50، densenet169 و ctnet10 است که در مرحله اول اثر اضافه کردن دو لایه dense به هرکدام از این مدل‌ها بررسی و ارزیابی شد. سپس برای رسیدن به دقت و کارایی بالاتر از روش ensemble پیشنهادی یعنی ترکیب معماری‌های vgg16، densenet169 و resnet50 استفاده شده است. نتایج حاصل از پیاده‌سازی نشان می‌دهد که روش ترکیبی پیشنهادی قادر است روی مجموعه داده‌های مورد بررسی به دقت بالای 98 درصد تا 100درصد دست یابد و به طور قابل توجهی عملکرد شبکه‌های عصبی عمیق را در کارهای پیش‌بینی دو یا چند دسته‌ای بهبود بخشد.

using ensemble deep learning to improve the accuracy of ct-scan lung image detection of covid-19 patients

coronavirus disease 2019 or covid-19 is an infectious disease caused by the severe acute respiratory syndrome virus (sars-cov-2) and has spread worldwide as an epidemic. after the rapid spread of the disease in 2019, the world health organization declared a public health emergency, and human society saw a massive increase in deaths caused by its various mutations. clinical symptoms include fever, cough, shortness of breath, and loss of smell. fortunately, recently researchers have been able to achieve many successes in preventing the spread and speeding up its treatment by using different diagnostic methods. the aim of this research is to diagnose the disease of covid-19 by processing ct scan images of people’s lungs using ensemble deep learning techniques based on convolutional neural networks (cnn). in this regard, two data sets of ct scan images of people’s lungs obtained from kaggle and github are used. the convolutional neural network architectures used in this research include vgg16, vgg19, inception v3, resnet50, densenet169, and ctnet10. in the first step, we added multiple dense (fully connected) layers to each of these models and evaluated their effect. afterwards, to achieve higher accuracy and efficiency, the proposed ensemble method, which is a combination of vgg16, densenet169, and resnet50 architectures, has been used. the experimental results show that the proposed ensemble method is able to achieve an accuracy of 98% to 100% on the investigated data set and significantly improve the performance of deep neural networks in multi-classification prediction tasks.