تشخیص خودکار آمفیزم ریوی با استفاده از شبکه عصبی عمیق مبتنی بر unet بهینه‌سازی شده

مقدمه: یکی از بیماری‌های ریوی که معمولاً تا سنین بالا ناشناخته می‌ماند و درمان قطعی ندارد، آمفیزم ریوی است که تشخیص سریع این بیماری به افراد درگیر در این بیماری کمک زیادی می‌کند و از رشد توده‌های آمفیزم جلوگیری می‌کند. این تحقیق سعی در تشخیص زودهنگام این بیماری به کمک روش‌های یادگیری عمیق دارد.روش کار: این تحقیق با کمک شبکه عصبی unet بهینه‌سازی شده با الگوریتم فراابتکاری gpc‌، سعی در تشخیص سریع‌تر این بیماری دارد. داده‌های این پژوهش از بیمارستان‌های امام علی و بوعلی سینا شهرستان زاهدان استان سیستان و بلوچستان جمع‌آوری شده است. داده‌ها شامل 300 قطعه با آمفیزم شامل  65 مورد cle ، 97 مورد pse  و 138 مورد ple  و 45 مورد داده نرمال است. این  داده‌ها توسط شبکه عصبی عمیق unet و با الگوریتم بهینه‌سازی gpc مورد بررسی قرار گرفتند و در نهایت به کمک معیارهای accuracy،recall، specificity و f-measure با سایر روش‌های انجام شده مورد مقایسه و بررسی قرار گرفتند.یافته‌ها: در این پژوهش معیارهای به کاررفته به ترتیب با دقت 97.18، پیش‌بینی98.40، حساسیت 48.23 و امتیاز f 50.97‌، نتایج بسیار بهتری در مقایسه با سایر روش‌های تشخیص آمفیزم به کمک شبکه unet بهینه شده داشته است که  نشان از تشخیص سریع‌تر و دقیق‌تر و اثر بخش‌تر این بیماری به کمک روش پیشنهادی دارد. نتیجه‌گیری: استفاده از روش‌های درست یادگیری عمیق در ترکیب با الگوریتم‌های بهینه‌سازی قوی می‌تواند درمان سریع تر و دقیق تر بیماری‌ها را امکان پذیر سازد.

automatic diagnosis of pulmonary emphysema using optimized unet-based deep neural network

introduction: pulmonary emphysema is one of the lung diseases that usually remains unknown until old age and does not have a definitive treatment. a quick diagnosis of this disease helps a lot to the people involved in this disease and prevents the growth of emphysema masses. this research tries to in early diagnosis of this disease with the help of deep learning methods.method: this research tries to diagnose this disease faster with the help of unet neural network optimized with gpc meta-heuristic algorithm. the data of this research were collected from imam ali and bu ali sina hospitals, zahedan city, sistan and baluchistan province. the data include 300 pieces with emphysema, including 65 cases of cle, 97 cases of pse, 138 cases of ple, and 45 cases of normal data. these data were analyzed by unet deep neural network and gpc optimization algorithm, and finally, with the help of accuracy criteria, recall, specificity, and f-measure were compared and investigated with other methods.results: in this research, the criteria used have much better results compared to other emphysema diagnosis methods with the help of the optimized unet network, with accuracy of 18.97, prediction of 40.98, sensitivity of 48.23, and f score of 97.50, respectively, which shows a faster, more accurate, and more effective diagnosis of this disease with the help of the proposed method.conclusion: using the right deep learning methods in combination with strong optimization algorithms can enable faster and more accurate treatment of diseases.