شناسایی کووید-۱۹ با استفاده از تصاویر سی تی ریه مبتنی بر یادگیری عمیق

چکیده:

این پایان ‌نامه به تشخیص خودکار عفونت‌های کووید-۱۹ از طریق پردازش تصاویر سی تی اسکن ریه می‌پردازد. در سراسر دنیا، ویروس کووید-۱۹منجر به بروز یک وضعیت بحرانی در سلامت عمومی شد و این وضعیت تا حدودی ادامه دارد. تشخیص خودکار عفونت‌های ریه و تشخیص مرزهای آن‌ها در تصاویر پزشکی، قابلیت آن را دارد که استراتژی‌های درمانی و مراقبت از بیماران را برای مقابله با کووید-۱۹و پیامدهای آن ارتقاء دهد. تشخیص این بیماری از تصاویر سی تی اسکن ریه، شاید سریع‌ترین راه برای تشخیص بیماران باشد. اما تشخیص وجود بافت‌های آلوده و جداسازی آنها از تصاویر سی تی اسکن با چالش‌های زیادی از جمله تشابه بافت‌های مجاور، مرز مبهم و عفونت‌های پراکنده مواجه است. در این پایان نامه از ترکیب یک شبکه عصبی کانولوشنی و یک توصیفگر بافت الگوی جهتی محلی استفاده شده است تا موقعیت های عفونت‌ کووید-۱۹را در تصاویر سی تی اسکن با دقت بالاتری تشخیص دهد. در روش پیشنهادی هر پیکسل از تصویر به بافت‌های نرمال و آلوده تقسیم می‌شود و لذا این روش سبب می شود بتوان الگوهای پیچیده‌تری از عفونت را در تصویر سی تی استخراج کرد. همچنین در الگوریتم پیشنهادی جهت مقابله با مشکلات بیش‌برازش به دلیل تعداد کم نمونه‌ها، از یک رویکرد افزایش نمونه استفاده می‌شود. نتایج تجربی پیاده‌سازی بر روی پایگاه داده استاندارد، مجموعه داده های تقسیم بندی توموگرافی کامپیوتری کووید-۱۹، نشان می‌دهد روش پیشنهادی عملکرد مطلوبی در مقایسه با روش های ارائه شده در مراجع دیگر دارد.