تشخیص بیماری کووید-19 در تصاویر پرتو x مبتنی بر روش‌های یادگیری عمیق و ترکیب دسته‌بندها

مقدمه: کووید-19 یک ویروس جدید است که باعث عفونت در دستگاه‌تنفسی‌فوقانی و ریه‌ها می‌شود که تعداد موارد مرگ و میر به‌طور روزانه در مقیاس یک بیماری همه‌گیر جهانی افزایش یافته ‌است. تصاویر اشعه‌ایکس قفسه‌سینه برای نظارت بر بیماری‌های مختلف ریه مفید بوده و اخیراً برای نظارت بر بیماری کووید-19 استفاده شده ‌است. روش: در این پژوهش جهت بازشناسی کووید-19 از روی تصاویر x از یک فرآیند چند مرحله‌ای بهره گرفته شده ‌است که در مرحله‌ نخست عملیات پیش‌پردازش با هدف نرمال سازی روی داده‌ها صورت گرفته است. در گام دوم که مهم‌ترین گام روش پیشنهادی می‌باشد، عملیات استخراج‌ ویژگی صورت گرفته است. عملیات استخراج ‌ویژگی براساس شبکه‌های یادگیری‌عمیق صورت گرفته است. بعد از عملیات استخراج ویژگی از الگوریتم‌های یادگیری‌ماشین جهت دسته‌بندی تصاویر بهره گرفته شده‌ است. الگوریتم‌های مورد استفاده در این بخش الگوریتم‌های ماشین بردار پشتیبان، نزدیک‌ترین همسایه و درخت‌ تصمیم می‌باشند. نتایج این دسته‌بندها در گام چهارم براساس رای ‌اکثریت ترکیب گردیده‌اند. نتایج: پارامترهای به‌کاررفته در این پژوهش جزء پارامترهای دسته‌بندی می‌باشد که شامل: دقت، صحت، فراخوان و معیار f می‌باشند که به‌ترتیب مقادیر 96/5، 92/25، 94 و 93 به ‌دست ‌آمده است. نتیجه‌گیری: نتایج آزمایش‌ها نشان‌دهنده‌ کارایی قابل‌قبول روش‌پیشنهادی می‌باشد زیرا علاوه بر کاهش محاسبات توسط لایه‌ جدا پذیر، از ترکیب دسته‌بندها و وزن‌دهی به آن‌ها برای به‌دست آوردن نتیجه‌ نهایی استفاده گردیده ‌است.

diagnosis of covid-19 disease in x-ray images based on deep learning methods and combining classifiers

introduction: covid-19 is a new virus that causes infection in the upper respiratory tract and lungs, and the number of deaths due to the disease has increased daily on the scale of a global epidemic. chest x-ray images have been useful for monitoring various lung diseases and have recently been used to monitor covid-19 disease. method: in this research, a multi-stage process was used to recognize covid-19 from x-ray images. in the first stage, pre-processing was done to normalize the data. in the second step, which is the most important step of the proposed method, feature extraction was done. the feature extraction operation was based on deep learning networks. after feature extraction, machine learning algorithms were used to classify images. the algorithms used in this section are support vector machine, nearest neighbor, and decision tree algorithms. the results of these categories are combined in the fourth step based on the majority vote. results: the parameters used in this research are among the classification parameters, including precision, accuracy, recall, and f-criterion, which were obtained as 96.5, 92.25, 94, and 93, respectively. conclusion: the results of the experiments show the acceptable efficiency of the proposed method because, in addition to reducing the calculations by the separable layer, the combination of categories and their weighting has been used to obtain the final result.