| تعداد نشریات | 45 |
| تعداد شمارهها | 1,539 |
| تعداد مقالات | 18,778 |
| تعداد مشاهده مقاله | 62,781,183 |
| تعداد دریافت فایل اصل مقاله | 22,717,824 |
تشخیص بیماری کووید-19 با استفاده از شبکههای عصبی کانولوشنال بهینهسازی شده | ||
| پردازش سیگنال پیشرفته | ||
| دوره 6، شماره 1 - شماره پیاپی 8، فروردین 1404، صفحه 47-58 اصل مقاله (2.13 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2022.52486.1197 | ||
| نویسندگان | ||
| غلامرضا کریمی* 1؛ علی محمدی2 | ||
| 1مهندسی برق و کامپیوتر- دانشگاه رازی- کرمانشاه - ایران | ||
| 2گروه مهندسی برق- دانشکده برق و کامپیوتر- دانشگاه رازی- کرمانشاه -ایران | ||
| چکیده | ||
| پاندمی کووید-19 بیش از 2 سال است که سبب مشکلات فراوانی در تمام دنیا بوده است. از این رو مبارزه با این بیماری به یکی از اولویت-های مهم جامعه بشری برای غلبه بر این مشکلات تبدیل شده است. یکی از اولین گامها برای مبارزه با این بیماری، تشخیص صحیح و سریع این بیماری است که روشهای مختلفی برای تشخیص این بیماری پیشنهاد و ارائه گردیده است. از طرفی یکی از مهمترین ابزارهای دستهبندی و تشخیص تصاویر، استفاده از شبکههای عصبی کانولوشنال میباشد. در این مقاله با استفاده از شبکههای عصبی کانولوشنال، ساختاری پیشنهاد شده است که اطلاعات تصاویر اسکن شده از ریه افراد را دریافت کرده و پس از پردازش، وضعیت فرد را در 3 دسته کووید-19، سالم و پنومونی در خروجی نشان میدهد. از مهمترین مزایای این شبکه میتوان به دقت بالا نسبت به سایر روشهای موجود اشاره نمود. همچنین شبکه پیشنهادی در این مقاله، با استفاده از الگوریتمهای گرگ خاکستری و ژنتیک بهینهسازی شده و در نتیجه ساختار نهایی آن هم از نظر دقت و هم از نظر پیچیدگی به حد مناسبی رسیده است تا جایی که تعداد لایهها و تعداد فیلترهای آن نسبت به شبکههای پیش از خود بسیار کمتر است در حالی که از نظر دقت میزان قابل قبولی به نسبت شبکههای بسیار گسترهتر از خود دارا میباشد. شبکه پیشنهادی با استفاده از مجموعه دادههای کگل آموزش داده شده و در نهایت دقت 34/95% برای آن بدست آمده است که در صورت افزایش مقدار دادههای آموزش میتوان به دقت بالاتری نیز دست یافت. | ||
| کلیدواژهها | ||
| شبکههای عصبی کانولوشنال؛ کووید-19؛ بهینهسازی؛ الگوریتمهای فراابتکاری | ||
| مراجع | ||
|
[1] Calvo, C., López-Hortelano, M. G., de Carlos Vicente, J. C., Martínez, J. L. V., & de trabajo de la Asociación, G. (2020). Recommendations on the clinical management of the COVID-19 infection by the «new coronavirus» SARS-CoV2. Spanish Paediatric Association working group. Anales de Pediatría (English Edition), 92(4), 241-e1. [2] Ciotti, M., Angeletti, S., Minieri, M., Giovannetti, M., Benvenuto, D., Pascarella, S., ... & Ciccozzi, M. (2019). COVID-19 outbreak: an overview. Chemotherapy, 64(5-6), 215-223. [3] Aruleba, R. T., Adekiya, T. A., Ayawei, N., Obaido, G., Aruleba, K., Mienye, I. D., ... & Ogbuokiri, B. (2022). COVID-19 Diagnosis: A Review of Rapid Antigen, RT-PCR and Artificial Intelligence Methods. Bioengineering, 9(4), 153. [4] Li, Z., Liu, F., Yang, W., Peng, S., & Zhou, J. (2021). A survey of convolutional neural networks: analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems. [5] Wang, Linda, Zhong Qiu Lin, and Alexander Wong. "Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest x-ray images." Scientific Reports 10.1 (2020): 1-12. [6] Ozturk, Tulin, et al. "Automated detection of COVID-19 cases using deep neural networks with X-ray images." Computers in biology and medicine 121 (2020): 103792. [7] Murugan, R., Goel, T., Mirjalili, S., & Chakrabartty, D. K. (2021). WOANet: Whale optimized deep neural network for the classification of COVID-19 from radiography images. Biocybernetics and Biomedical Engineering, 41(4), 1702-1718. [8] Hassan, M. R., Ismail, W. N., Chowdhury, A., Hossain, S., Huda, S., & Hassan, M. M. (2022). A framework of genetic algorithm-based CNN on multi-access edge computing for automated detection of COVID-19. The Journal of Supercomputing, 1-25. [9] Cohen, J. P., Morrison, P., & Dao, L. (2020). COVID-19 image data collection. arXiv preprint arXiv:2003.11597. [10] Pathan, S., Siddalingaswamy, P. C., & Ali, T. (2021). Automated Detection of Covid-19 from Chest X-ray scans using an optimized CNN architecture. Applied Soft Computing, 104, 107238. [11] SIRMCOVID-19 Database (2020,May) Italian Society of Medical and Interventional Radiology COVID-19 dataset, Version 1. Retrieved may 05, 2020, from https://www.sirm.org/category/senza-categoria/covid-19/ [12] Rahman, COVID-19 Radiography Database, 2020, Retrieved October 02, 2020, https://www.kaggle.com/tawsifurrahman/covid19-radiographydatabase. [13] Goel, T., Murugan, R., Mirjalili, S., & Chakrabartty, D. K. (2021). OptCoNet: an optimized convolutional neural network for an automatic diagnosis of COVID-19. Applied Intelligence, 51(3), 1351-1366. [14] Mikołajczyk, A., & Grochowski, M. (2018, May). Data augmentation for improving deep learning in image classification problem. In 2018 international interdisciplinary PhD workshop (IIPhDW) (pp. 117-122). IEEE. [15] Wong, S. C., Gatt, A., Stamatescu, V., & McDonnell, M. D. (2016, November). Understanding data augmentation for classification: when to warp?. In 2016 international conference on digital image computing: techniques and applications (DICTA) (pp. 1-6). IEEE. [16] Wang, W., Yang, Y., Wang, X., Wang, W., & Li, J. (2019). Development of convolutional neural network and its application in image classification: a survey. Optical Engineering, 58(4), 040901. [17] Habib, G., & Qureshi, S. (2020). Optimization and acceleration of convolutional neural networks: A survey. Journal of King Saud University-Computer and Information Sciences. [18] Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61. [19] علی اکبر علمداری، عبداله دوستی عارف، رابعه کریمی مهابادی،زهرا رجبی، نسرین علمداری، مباحث ویژه در مهندسی برق و کامپیوتر با MATLAB، تهران، نگارنده دانش،1392 [20] Lambora, A., Gupta, K., & Chopra, K. (2019, February). Genetic algorithm-A literature review. In 2019 international conference on machine learning, big data, cloud and parallel computing (COMITCon) (pp. 380-384). IEEE. [21] ویدا اسماعیلی، محمود محصل فقهی، تشخیص بیماری کووید-19 با ترکیب روشهای دستی و یادگیری عمیق از روی تصاویر اولتراسوند، مجله ماشین بینایی و پردازش تصویر، دوره نهم، شماره 4 ، صفحه 31-41 ، دیماه 1401. [22] Vida Esmaeili, Mahmood Mohassel Feghhi, Seyed Omid Shahdi, Early COVID-19 Diagnosis from Lung Ultrasound Images Combining RIULBP-TP and 3D-DenseNet, 9th Iranian Joint Congress on Fuzzy and intelligent Systems (CFIS), March 2-4, 2022. | ||
|
آمار تعداد مشاهده مقاله: 620 تعداد دریافت فایل اصل مقاله: 62 |
||