تشخیص کووید-19 مبتنی بر یادگیری انتقالی متخاصم چند منبعی و تابع خطای مرکزی

در سال‌های اخیر، از تکنیک‌های یادگیری عمیق به‌وفور برای تشخیص کووید با استفاده از تصاویر پزشکی استفاده می‌شود. با این حال در تشخص بیماری کووید 19 به دلیل داده‌های ناکافی، آموزش مدل به‌درستی انجام نمی‌شود و در نتیجه‌ی آن تعمیم‌پذیری مدل کاهش می‌یابد. برای پرداختن به این مسئله، می‌توان داده‌های چندین منبع مختلف را با استفاده از یادگیری انتقالی ترکیب کرد. در این مقاله برای بهبود کیفیت انتقال بین چند منبع داده، ما یک مدل یادگیری انتقالی متخاصم چند منبعی را پیشنهاد می‌کنیم. در این روش شبکه هم‌زمان با تلاش برای دسته‌بندی صحیح داده‌ها، سعی در هر چه شبیه‌تر ساختن ویژگی‌های مجموعه‌داده‌ی مبدا و مقصد به یکدیگر را دارد تا نتایج یکسانی از نظر کمی و کیفی حاصل شود. همچنین در روش پیشنهادی از تابع خطای مرکزی برای آموزش مدل استفاده می‌کنیم. استفاده از تابع خطا‌ی مرکزی به تمییز هرچه بهتر کلاس‌ها از یکدیگر کمک شایانی می‌کند. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با دو مجموعه‌داده sars-cov-2 ct scan و covid19-ct با تعداد محدود تصاویر انجام گرفته و با نتایج سایر الگوریتم‌های موفق مقایسه می‌شود. روش پیشنهادی به‌ازای معیارهای accuracy، precision، recall و f1 به بهبود 2، 15، 15 و 8 درصدی نسبت به بهترین نتایج سایر روش‌های مقایسه شده، دست یافته است. کد پیاده‌سازی روش پیشنهادی در آدرس گیت‌هاب زیر در دسترس است:https://github.com/hadialhares/covid19

covid-19 detection based on multi-source adversarial transfer learning and center loss function

in recent years, deep learning techniques have been widely used to diagnose diseases. however, in the diagnosis of covid-19 disease, due to insufficient data, the model is not properly trained and as a result, the generalizability of the model decreases. to address this, data from several different sources can be combined using transfer learning. technique. in this paper, to improve the transfer learning technique and better generalizability between multiple data sources, we propose a multi-source adversarial transfer learning model. in this method, the network, while trying to classify the data correctly, tries to make the representations of the source and target datasets as similar as possible to achieve better results in terms of quantity and quality for both datasets. we also use the center loss function to train the model. using the center loss function helps to better distinguish classes from each other. we show that accuracy can be improved using the proposed framework, and surpass the results of current successful transfer learning approaches. the proposed method has achieved 2, 15, 15, and 8% improvement compared to the best results of other compared methods for the criteria of accuracy, precision, recall, and f1. the implementation code of the proposed method is available at the following github address: https://github.com/hadialhares/covid19