استفاده از تکنیک های یادگیری عمیق برای تشخیص موارد کووید-19 با استفاده از تصاویر اشعه ایکس قفسه سینه

ظهور بیماری کرونا ویروس 2019 (کووید-19) در اوایل دسامبر 2019 آسیب زیادی به سلامتی و رفاه جهانی وارد کرده است. در حال حاضر، میلیون‌ها نفربه این ویروس مبتلا شده‌اند و این ویروس جدید به سرعت در سراسر جهان در حال گسترش است. بسیاری از بیمارستان‌ها در سرتاسر جهان هنوز به مقدار کافی به کیت آزمایش مجهز نشده‌اند و آزمایش واکنش زنجیره‌ای پلیمر از رونویسی معکوس (RT-PCR) زمانبر و دردسرساز است. از این‌رو طراحی یک سیستم تشخیص خودکار و زودهنگام که بتواند تصمیم‌گیری سریع ارایه دهد و خطای تشخیص را تا حد زیادی کاهش دهد بسیار مهم است. تصاویر اشعه ایکس قفسه سینه همراه با روش‌های نوظهور هوش مصنوعی(AI)، به ویژه الگوریتم‌های یادگیری عمیق (DL) اخیرا به گزینه مناسبی برای غربالگری اولیه کووید-19 تبدیل شده‌اند. در این مقاله یک روش خودکار با کمک DL با استفاده از تصاویر اشعه X برای تشخیص زودهنگام عفونت کووید-19 پیشنهاد شده است. ما اثربخشی هشت مدل شبکه عصبی متحرک (CNN) از پیش آموزش‌دیده مانندAlexNet، VGG-16، GoogleNet، MobileNet-V2، SqueezeNet، ResNet-34، ResNet-50 و Inception-V3 را برای طبقه‌بندی کووید-19 از موارد عادی ارزیابی می‌کنیم. همچنین، تجزیه و تحلیل‌های مقایسه‌ای بین این مدل‌ها با در نظر گرفتن چندین عامل مهم مثل اندازه دسته، نرخ یادگیری، تعداد دوره‌ها و نوع بهینه‌سازها با هدف یافتن بهترین مدل مناسب انجام شده‌است. مدل‌ها بر روی تصاویر اشعه ایکس قفسه سینه در دسترس عموم تایید شده و بهترین عملکرد توسط ResNet-34 با دقت 98.33٪ به‌دست آمده است. این مطالعه برای پژوهشگران مفید خواهد بود تا با طراحی مدل‌های موثرتر از شبکه CNN برای تشخیص زودهنگام کووید-19 تحقیق کنند.