آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,303 |
| تعداد مقالات | 16,020 |
| تعداد مشاهده مقاله | 52,485,764 |
| تعداد دریافت فایل اصل مقاله | 15,213,160 |
روش تلفیقی یادگیری عمیق و ماشین بردار پشتیبان جهت تشخیص کووید-19 بر اساس تصاویر اشعه ایکس قفسه سینه | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 20 تیر 1401 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2022.50829.1183 | ||
| نویسندگان | ||
| علی کارساز* 1؛ رقیه اکبریان2؛ علی خرمی2 | ||
| 1گروه برق و مهندسی پزشکی، موسسه آموزش عالی خراسان، مشهد، ایران | ||
| 2موسسه آموزش عالی خراسان | ||
| چکیده | ||
| با گسترش روزافزون بیماری کرونا، استفاده از الگوریتم‌های هوش مصنوعی به خصوص شبکه‌های عصبی کانوولوشنال (CNN) مبتنی بر یادگیری عمیق جهت غربالگری تصاویر اشعه ایکس قفسه سینه (CXR) بیماران مبتلا به کووید-19، ضرورت بیشتری یافته و سهم عمده‌ای از مقالات در این حوزه را به خود اختصاص داده‌اند. دقت تشخیص و غربالگری مبتنی برCNN ها در مقالات علمی به بیش از 95 درصد و تلفیق چندین معماری مختلف از CNN ها ، منجر به افزایش دقت تا 99 درصد گردیده است. در این مقاله یک ساختار ترکیبی از شبکه عصبی کانوولوشن الکس‌نت (AlexNet) با روش دسته‌بندی ماشین بردارپشتیبان (SVM) جهت غربالگری بیماران مبتلا به کووید-19 با توجه به تصاویر CXR بیماران از بانک اطلاعات تصاویرGitHub پیشنهاد شده است. در بخش ورودی ساختار پیشنهادی، جهت استخراج ویژگی‌های تصاویر از هیستوگرام دو بعدی تصویر که حاوی اطلاعات تصویر در ابعاد کمتری است، استفاده شده و مشکل کمبود تصاویر با استفاده از روش داده‌افزایی مرتفع گردیده است. نتایج حاصل با سایر روش‌های دسته‌بندی معروف مانند خوشه‌بندی میانگین k (k-means)، خوشه‌بندی میانگین فازی (FCM) و خوشه‌بندی تفاضلی (Subtractive) مقایسه شده است. ساختار پیشنهادی دارای عملکرد 100 درصدی در تشخیص کرونا بر اساس معیار حساسیت است. | ||
| کلیدواژه‌ها | ||
| تصاویر اشعه ایکس قفسه‌سینه (CXR)؛ ماشین بردارپشتیبان (SVM)؛ کووید-19؛ شبکه‌های عصبی‌کانوولوشنال ((CNN | ||
|
آمار تعداد مشاهده مقاله: 427 |
||