یادگیری عمیق در پردازش تصاویر سی‌تی‌اسکن ریه بیماران مبتلا به کرونا

بیماری کرونا، از ژانویه 2020 در بازار عمده فروشان ماهی در شهر وهان چین شروع و سازمان بهداشت جهانی آن را به‌عنوان یک بیماری عمومی و یک مخاطره بین‌المللی معرفی و در فوریه 2020 آن را کرونا یا کووید-19 نامگذاری نمود. با گسترش روزافزون بیماری کرونا در سراسر دنیا، استفاده از تکنیک‌ها و الگوریتم‌های هوش مصنوعی به‌خصوص شبکه‌های عصبی کانولوشن مبتنی بر یادگیری عمیق جهت غربالگری تصاویر سی‌تی‌اسکن قفسه سینه بیماران مبتلا به کووید-19 ضرورت بیش از پیش یافته و سهم عمده‌ای از مقالات چاپ شده در این حوزه را به خود اختصاص داده‌اند. در حال حاضر دقت‌های تشخیص و غربالگری گزارش شده در مقالات علمی مبتنی بر روش‌های هوش مصنوعی و یادگیری عمیق از روی تصاویر سی‌تی‌اسکن قفسه سینه بیماران، به بیش از 95 درصد رسیده است. یکی از معضلات موجود در زمینه روش‌های مبتنی بر هوش مصنوعی، به مساله آموزش شبکه‌های عصبی کانولوشن و نیازمندی آنها به تعداد بالایی از داده‌های آموزش باز می‌گردد. تلفیق چندین معماری مختلف از شبکه‌های عصبی کانولوشن، منجر به افزایش دقت در این نوع از شبکه‌ها به بیش از 99 درصد گردیده است.

deep learning in chest ct-scan images processing of covid-19 patients

corona disease started in january 2020 in the wholesale fish market in wuhan, china, and the world health organization declared it as a public disease and an international hazard, and in february 2020 named it corona or covid-19. under this global pandemic, using artificial intelligence techniques especially convolutional neural networks based on deep learning for screening chest ct images are becoming more vital as before. the most studies in this field belong to the articles based on the deep learning methodologies using convolution neural networks. already, obtained accuracies of detection and screening have benn reported in the article based on artificial intelligence and deep learning are more than 95 percent. the lack of comprehensive datasets of ct images with a large amount of samples is one of the most important problems in this field. using hybrid architectures of convolutional neural networks have been increased the accuracy of these networks up to 99 percent.