عنوان:

شناسایی خودکار ابتلا به کووید 19 با استفاده از تصاویر CT بیماران و شبکه های عصبی عمیق

چكيده

مقدمه: کرونا ویروس (کووید 19) به صورت سندرم حاد تنفسی در دو سال گذشته در سراسر جهان بروز و گسترش یافته و باعث مرگ صد ها هزار نفر و تحمیل بار مالی هنگفت به سیستم های بهداشت و درمان بسیاری از کشورهای جهان شده است. با گسترش کووید 19و تلفات سریع و سنگین آن در سراسر جهان، توموگرافی کامپیوتری (CT) به عنوان روش شناسایی اولیه سریع و استاندارد این بیماری از اهمیت بالایی برخوردار است. با توجه به حجم بالای پذیرش بیماران مبتلا به این ویروس در بیمارستان های مادر و نیز مناطق دوردست، تهیه یک روش کمک تشخیص رایانه ای مبتنی بر پردازش تصویر، برای کمک به پزشکان در شناسایی بیماران مبتلا به کووید 19 با استفاده از تصاویر CT، مورد توجه قرار گرفت.

هدف: پیاده سازی یک ابزار کمک تشخیص رایانه ای مبتنی بر یادگیری عمیق به منظور شناسایی بیماران آلوده به کووید 19 و تعیین میزان آلودگی ریه بیماران با استفاده از تصاویر سی تی اسکن ریه.

روش کار: ابتدا تصاویر سی تی اسکن ریه مربوط به بیماران کرونا و غیر کرونا و تعدادی تصویر ریه سالم از مجموعه داده های بیمارستان امام رضا (ع) و دو مرکز دیگر جمع آوری شد. همچنین مجموعه داده سی تی اسکن کرونا و غیر کرونا مربوط به یک بیمارستان در برزیل نیز وارد مطالعه شد. سپس جهت تشخیص خودکار بیماری کرونا از روی تصاویر سی تی اسکن، دو شبکه عصبی عمیق مجزا پیاده سازی و آموزش داده شد. به یک شبکه، تصاویر از اسلایس های دو بعدی و به شبکه دیگر تصاویر سه بعدی سی تی اسکن ریه، به عنوان ورودی داده شد. به طور جداگانه برای هر شبکه معیار ها مورد ارزیابی قرار گرفت. همچنین شبکه عصبی عمیق دیگری برای تشخیص میزان عفونت ریه پیاده سازی و نتایج بررسی شد.

نتایج: اولین خروجی به دست آمده، مجموعه داده ای به تعداد بیش از 1000 تصویر سی تی اسکن از ریه بیماران کرونا بود. با توجه به معیارهای ارزیابی مورد استفاده برای ارزیابی و مقایسه مدل ها، مدل طراحی شده دو بعدی با صحت 99 درصد و مدل طراحی شده سه بعدی با صحت 80 درصد، کرونا را از روی تصاویر سی تی اسکن بیماران تشخیص داد. همچنین میزان عفونت ریه با متوسط خطای تخمین 5.0، از طریق مدل طراحی شده دیگری تشخیص داده شد. علاوه بر این، یک رابط کاربری طراحی شد تا کاربر بتواند بدون محدودیت مکانی و زمانی و در بستر وب، از مدل ها استفاده کند.

نتیجه گیری: مجموعه داده به دست آمده، می تواند در مطالعات دیگر مورد استفاده قرار گیرد. با توجه به نتایج حاصل از مدل های طراحی شده، می توان گفت به کارگیری تکنیک های یادگیری عمیق، می تواند به تشخیص بیماری کووید 19 و تعیین میزان عفونت ، از روی تصاویر سی تی اسکن ریه کمک کند. علاوه بر این با بهبود مجموعه داده و ارتقاء امکانات سخت افزاری می توان به نتایج بهتری نیز دست یافت.

کلمات کلیدی: کووید19، کرونا ویروس، یادگیری عمیق، یادگیری ماشین، مدل پیش بینی، شبکه عصبی عمیق، پردازش تصویر پزشکی، سی تی اسکن، اسکور