Payavard Salamat

fa کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک‌های یادگیری ژرف Classification of Chest Radiology Images in Order to Identify Patients with COVID-19 Using Deep Learning Techniques فناوری اطلاعات سلامت Health Information Technology پژوهشی اصيل Original Research <div style="text-align: justify;">زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید ۱۹، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.  روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها  به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد. یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد. نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.</div> <div style="text-align: justify;">Background and Aim: Due to the important role of radiological images for identifying patients with COVID-19, creating a model based on deep learning methods was the main objective of this study. Materials and Methods: 15,153 available chest images of normal, COVID-19, and pneumonia individuals which were in the Kaggle data repository was used as dataset of this research. Data preprocessing including normalizing images, integrating images and labeling into three categories, train, test and validation was performed. By Python language in the fastAI library based on convolution technique (CNN) and four architectures (ResNet, VGG MobileNet, AlexNet), nine models through transitional learning method were trained to recognize patients from healthy persons. Finally, the performance of these models was evaluated with indicators such as accuracy, sensitivity and specificity, and F-Measure. Results: Of the nine generated models, the ResNet101 model has the highest ability to distinguish COVID-19 cases from other cases with 95.29% sensitivity. Other applied models showed more than 96% accuracy in correctly diagnosis of various cases in test phase. Finally, the ResNet101 model was able to demonstrate 98.4% accuracy in distinguishing between healthy and infected cases. Conclusion: The obtained accuracy showed the accurate performance of developed model in detecting COVID-19 cases. Therefore, by implementing an application based on the developed model, physicians can be helped in accurate and early diagnosis of cases. an application based on the developed model, physicians can be helped in accurate and early diagnosis of infected cases.</div> شبکه عصبی کانولشن, کرونا ویروس, کووید 19, یادگیری ماشین, یادگیری ژرف, یادگیری انتقالی Convolutional Neural Network, Coronavirus, COVID-19, Machine Learning, Deep Learning, Transfer Learning 291 302 http://payavard.tums.ac.ir/browse.php?a_code=A-10-2101-1&slc_lang=fa&sid=1 Marsa Gholamzadeh مرسا غلامزاده No Ph.D. Candidate in Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دانشجوی دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران Seyed Mohammad Ayyoubzadeh سید محمد ایوب زاده No Ph.D. in Medical Informatics, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran دکتری انفورماتیک پزشکی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایرا Hoda Zahedi هدا زاهدی No Master of Sciences Student in Medical Informatics, School of Health Management and Information Sciences, Iran University of Medical Sciences, Tehran, Iran دانشجوی کارشناسی ارشد انفورماتیک پزشکی، دانشکده مدیریت و اطلاع رسانی پزشکی، دانشگاه علوم پزشکی ایران، تهران، ایران Sharareh Rostam Niakan Kalhori شراره رستم نیاکان کلهری Sh-rniakank@sina.tums.ac.ir Yes Associate Professor, Department of Health Information Management, School of Allied Medical Sciences, Tehran University of Medical Sciences, Tehran, Iran; Research Fellow at Peter L. Reichertz Institute for Medical Informatics, University of Braunschweig–Institute of Technology and Hannover Medical School, Braunschweig, Germany دانشیار گروه مدیریت اطلاعات سلامت، دانشکده پیراپزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران؛ پژوهشگر موسسه تحقیقات انفورماتیک پزشکی PLRI، دانشگاه پزشکی هانوفر و دانشگاه فنی برانشوایگ، برانشوایگ، آلمان