ارائه راهکاری مبتنی بر یادگیری عمیق به منظور تشخیص موارد مشکوک به کووید 19
محورهای موضوعی : مهندسی برق و کامپیوتر
آتنا عبیدی
1
,
هانیه محمودی
2
,
زهرا حیدریان داروقه
3
,
ایمان ذباح
4
*
1 - گروه کامپیوتر، واحد بوشهر، دانشگاه آزاد اسلامی، بوشهر، ایران
2 - گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی مشهد، ایران
3 - گروه کامپیوتر، واحد دولت آباد، دانشگاه آزاد اسلامی، اصفهان، ایران
4 - گروه برق و کامپیوتر، واحد تربت حیدریه، دانشگاه آزاد اسلامی، تربت حیدریه، ایران
کلید واژه: کووید 19, یادگیرهای عمیق, داده‌کاوی,
چکیده مقاله :
شبکه‌های عمیق به دلیل توانمندی در استخراج ویژگی‌های پیچیده و ارتباطات غیرخطی، برای تشخیص بیماری‌ها و وظایف پزشکی مورد استفاده قرار می‌گیرند. پس از ظهور بیماری کووید 19، یادگیرهای عمیق به عنوان رویکرد‌ی قدرتمند در حوزه تشخیص این بیماری مطرح شده‌اند. در برخی موارد، متدهای مبتنی بر داده‌کاوی نمی‌توانند کووید 19 را به‌طور قطعی تشخیص دهند که دلیل آن، عدم قابلیت تعمیم مناسب روی داده‌هاست. هدف از این پژوهش ارائه راهکاری به منظور بهبود نتیجه تشخیص در تصاویر مشکوک به کووید 19 است. در این پژوهش پس از تشخیص بیماری با استفاده از دو شبکه عمیق گوگل و الکس، لایه احتمالی دو یادگیر استخراج شده و موارد مشکوک به بیماری شناسایی می‌شوند. سپس برترین ویژگی‌های مستخرج از دو یادگیر عمیق ترکیب شده و به یک شبکه عصبی پرسپترون جهت تشخیص موارد مشکوک ارسال می‌گردد. استخراج بهترین ویژگی‌ها توسط روش تحلیل مؤلفه اصلی صورت گرفته است. پایگاه داده مورد مطالعه، شامل 224 تصویر سی‌تی‌اسکن ریه مبتلا به کووید 19 و 522 تصویر ریه افراد سالم می‌باشد که از مرجع گیت‌هاب تهیه شده است. نتایج آزمون‌ها مبين آن است که تجمیع یادگیرهای عمیق در لایه احتمالی می‌تواند منجر به بهبود تشخیص کووید 19 در موارد مشکوک به میزان 1/98% شود.
Deep neural networks are used in the detection of diseases and medical tasks due to their power and capability in extracting complex features and non-linear relationships. Following the emergence of COVID-19, deep learning approaches have been introduced as a powerful approach in diagnosing this disease. In some cases, data mining-based methods cannot definitively diagnose COVID-19 due to their lack of appropriate generalizability on the data. The aim of this research is to propose a solution to improve the diagnostic results in suspicious COVID-19 images.
In this study, after diagnosing the disease using two deep networks, GoogleNet and AlexNet, the probability layer of the two learned networks is extracted, and the suspicious cases of the disease are identified. Then, the top features extracted from the two deep learners are combined and sent to a perceptron neural network for the diagnosis of suspicious cases. The extraction of the best features was performed using principal component analysis. The study database includes 224 CT scan images of COVID-19-infected lungs and 522 lung images of healthy individuals, obtained from the GitHub repository. The study results indicate that the aggregation of deep learners in the probability layer can lead to a 98.1% improvement in the diagnosis of COVID-19 in suspicious cases.
[1] M. Zreik, et al., "Deep learning analysis of the myocardium in coronary CT angiography for identification of patients with functionally significant coronary artery stenosis," Med Image Anal, vol. 44, no. 3, pp. 72-85, Feb. 2018.
[2] M. Q. Zhang, et al., "Clinical features of 2019 novel coronavirus pneumonia in the early stage from a fever clinic in Beijing," Case Reports, vol. 43, no. 3, pp. 215-218, May 2020.
[3] R. Ouni and H. Alhichri, Cross-Dataset Domain Adaptation for the Classification of COVID-19 Using Chest Computed Tomography Images, arXiv preprint arXiv:2311.08524, 2023.
[4] L. Gaur, U. Bhatia, N. Z. Jhanjhi, G. Muhammad, and M. Masud, "Medical image-based detection of COVID-19 using deep convolution neural networks," Multimedia Systems, vol. 29, pp. 1729-1738, 2023.
[5] W. Zhao, Z. Zhong, X. Xie, Q. Yu, and J. Liu, "Relation between chest CT findings and clinical conditions of coronavirus disease (covid-19) pneumonia: a multicenter study," American J. of Roentgenology, vol. 214, no. 5, pp. 1072-1077, May 2020.
[6] O. Gozes, et al., Rapid AI Development Cycle for the Coronavirus (Covid-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring Using Deep Learning CT Image Analysis, arXiv preprint. arXiv:2003.05037, 2020.
[7] T. Ai, et al., "Correlation of chest CT and RT-PCR testing for coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases" Radiology, vol. 296, no. 2, pp. E32-E40, Aug. 2020.
[8] C. Zheng, et al., "Deep learning-based detection for COVID-19 from chest CT using weak label," IEEE Trans. on Medical Imaging, vol. 39, no. 8, pp. 2615-2625, Aug. 2020.
[9 م. معلم و ع. ا. پویان، "کشف ناهنجاری با استفاده از کد کننده خودکار مبتنی بر بلوک‌های "LSTM، مجله مدل¬سازی در مهندسی، سال 17، شماره 56، صص. 211-191، اردیبهشت 1398.
[10] L. Wang, Y. Lin, and A. Wong, "COVID-Net: a tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images," Scientific Reports, vol. 10, Article ID: 19549, 2020.