بررسی ویروس کرونا با استفاده از روش یادگیری عمیق تلفیقی و تکنیک رتبه بندی

بررسی ویروس کرونا با استفاده از روش یادگیری عمیق تلفیقی و تکنیک رتبه بندی

نتیجه گیری: اولین مورد (COVID-19) در منطقه ووهان چین کشف شد. (COVID-19) یک بیماری اپیدمی است و سیستم بهداشتی و اقتصادی جهان را تهدید می‌‌کند. ویروس (COVID-19) رفتاری مشابه سایر ویروس‌های همه‌گیر دارد. این کار تشخیص سریع موارد (COVID-19) را دشوار می‌‌کند. بنابراین، (COVID-19) کاندیدای یک اپیدمی جهانی است. از روش‌های تصویربرداری رادیولوژیک برای تشخیص دقیق‌تر در تشخیص (COVID-19) استفاده می‌‌شود. بنابراین، می‌‌توان با استفاده از روش‌های تصویربرداری CT اطلاعات دقیق‌تری در مورد (COVID-19) به‌دست آورد. وقتی تصاویر CT بررسی می‌‌شود، سایه‌هایی در مناطقی که (COVID-19) در آن قرار دارد، برجسته می‌‌شوند. در همان زمان، گسترش از خارج به قسمت‌های داخلی مشاهده می‌‌شود. یادگیری عمیق تلفیقی

یادگیری عمیق تلفیقی

تصاویر به‌دست‌آمده با دستگاه‌های مختلف CT در این مطالعه استفاده شد. سطح مختلفی از سطح خاکستری در تصاویر وجود داشت. ویژگی‌های مختلف دستگاه‌های CT باعث آن شده است. این تجزیه‌وتحلیل تصاویر را پیچیده می‌‌کند. در این مطالعه، ویژگی‌های عمیق با استفاده از شبکه‌های CNN از پیش آموزش‌دیده به دست آمد. سپس، ویژگی‌های عمیق ادغام و رتبه‌بندی شدند. مجموعه داده‌ها با گرفتن وصله‌های تصادفی بر روی تصاویر CT تولیدشده است. شبکه‌های CNN پیش آموزش‌دیده با استفاده از روش یادگیری انتقال در مجموعه داده‌های 1Subset- و 2Subset- آموزش داده شدند. با استفاده از روش پیشنهادی، صحت 95.60٪، حساسیت 60.95٪، ویژگی 93.33٪، دقت 87.97٪، نمره F1 و 77.97٪ و عملکرد متریک MCC 29.29٪ برای زیرمجموعه 1 به‌دست آمد. در زیرمجموعه 2، روش پیشنهادی نشان‌دهنده دقت 98.27٪، حساسیت 93.98٪، اختصاصیت 60.97٪، دقت 63.97٪، نمره F1.28.28 و نمره F1 98.8٪ و 54.96٪ عملکرد متریک MCC بود.

بیشتر مطالعات در مورد (COVID-19) مطالعات پزشکی است. طبقه‌بندی و تقسیم‌بندی تصاویر (COVID-19) را می‌‌توان در ادبیات انجام داد. در محدوده مطالعه، می‌‌توان از تکنیک‌های افزایش داده برای افزایش عملکرد طبقه‌بندی تصاویر (COVID-19) استفاده کرد.