تشخیص بیماری کووید-19 با ترکیب روش‌های دستی و یادگیری عمیق از روی تصاویر اولتراسوند

بیماری کروناویروس 2019 یا کووید-19، یک بیماری حاد تنفسی با قدرت انتقال ویروس بالا است که موجب نرخ بالای مرگ و میر در سراسر جهان شده است. اگرچه تشخیص سریع این بیماری می تواند نقش حیاتی در بهبود بیمار داشته باشد، اما انجام آزمایش های رادیوگرافی توسط کادر درمان فرآیند زمان بری است. بنابراین، استفاده از تصاویر اولتراسوند و روش های یادگیری عمیق توصیه می شود. تکنیک اولتراسوند بدون اشعه است و می تواند در بخش های اطفال و مراقبت های ویژه برای بیماران خاص مورد استفاده قرار گیرد. با این حال، تصاویر آن دارای نویز است که عملکرد روش های یادگیری عمیق را تحت تاثیر قرار می دهد. به همین منظور، در این مقاله، ما روش الگوی باینری محلی یکنواخت را که در مقابل نویز مقاوم است با روش یادگیری عمیق ترکیب می کنیم. ابتدا الگوی باینری محلی یکنواخت بر روی دو صفحه ی زمانی محاسبه می شود تا ویژگی های مربوط به تظاهرات کووید-19 در تصاویر متوالی اولتراسوند استخراج شود و سپس، ماتریس به دست آمده به عنوان ورودی شبکه ی کانولوشنی داده می شود. با توجه به آزمایش های انجام شده، روش پیشنهادی عملکرد بهتری در مقایسه با سایر روش های پیشرفته دارد. نتایج نشان می دهد که دقت شناسایی کووید-19 از روی داده های اولتراسوند با استفاده از روش پیشنهادی 98.5 درصد است.

diagnosis of covid-19 disease by combining hand-crafted and deep-learning methods on ultrasound data

coronavirus 2019, or covid-19, is an acute respiratory disease with high virus transmission capacity that has led to high mortality rates worldwide. although rapid diagnosis can play an essential role in the patient's recovery, radiography by the treatment staff is a time-consuming process.therefore, the use of ultrasound data and deep learning techniques are recommended. the ultrasound technique is radiation-free and can be used in pediatric wards and intensive care units for specific patients. however, its data have noise that affects the performance of deep learning methods. to this end, in this paper, we combine the uniform local noise-resistant binary pattern method with the deep learning method. first, a uniform local binary pattern is calculated on two temporal planes to extract the features of the covid-19 manifestations in consecutive ultrasound data, and then, the resulting matrix is given as the input of the convolutional network. according to the performed experiments, the proposed method has better performance compared to that of the other state-of-art methods. the results show that the diagnosis accuracy of the covid-19 from the ultrasound data using the proposed method is 98.5%.