آشکار‌سازی کووید19 از روی تصاویر سی‌تی اسکن ریه مبتنی بر ادغام هرم ویژگی و شبکه‌های کانولوشنی عمیق

گسترش بیماری کووید 19 در سراسر جهان تاثیر گسترده ای بر زندگی و نیز اقتصاد کشور‌ها گذاشته است. تشخیص زود‌هنگام این بیماری می‌تواند در تسریع فرآیند درمان و جلوگیری از مرگ بیمارن نقش بسزایی داشته باشد. یک روش مهم تشخیص سریع و دقیق این بیماری، دسته‌بندی تصاویر رادیوگرافی قفسه سینه بر اساس روش‌های یادگیری عمیق است. هدف این پژوهش، ارائه روشی با دقت و سرعت بالا جهت آشکارسازی تصاویر کووید 19 است. در این پژوهش مدلی مبتنی بر ترکیب دو شبکه inceptionv3 و resnet50v2 برای استخراج سلسله مراتبی ویژگی ارائه شده است. شبکه های هرمی با ایجاد ساختار سلسله مراتبی ویژگی از بالا به پایین و پایین به بالا منجر به تولید ویژگی های معنادارتر و در نتیجه دقت بالاتری می‌شوند. مدل پیشنهادی بر روی پایگاه داده sars-cov-2 که از 2482 تصویر سی‌تی اسکن در دو دسته تشکیل شده، ارزیابی شده است. میانگین دقت، صحت، حساسیت و امتیاز f1 بدست آمده در ارزیابی مدل پیشنهادی به ترتیب برابر 89/97%، 97%، 99% و 98% است.