مشخصات پژوهش

عنوان	تشخیص کووید-19 از تصاویر سی تی اسکن ریه با استفاده از الگوی دودویی محلی کامل و شبکه عصبی
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	یادگیری عمیق، شناسایی کووید-19، الگوی دودویی محلی کامل، شبکه عصبی عمیق کانولوشن، سی تی اسکن ریه
چکیده	با شیوع گسترده ویروس کووید-19 جان بسیاری از مردم جهان در معرض خطر قرار گرفت و به همین دلیل پژوهشگران در حوزه هوش مصنوعی در تلاش هستند تا مهار این بیماری مفید واقع شوند. در این پژوهش نیز با استفاده از یادگیری عمیق و ترکیب ویژگی های استخراج شده از دو روش الگوی دودویی محلی کامل و شبکه عصبی عمیق کانولوشن سعی شده است با استفاده از تصویر سی تی اسکن ریه، افراد مبتلا به بیماری کووید-19 شناسایی شوند. در بخش استخراج ویژگی ها از روش الگوی دودویی محلی کامل با استفاده از هیستوگرام سه بعدی و تبدیل آن به هیستوگرام دوبعدی، بردار ویژگی ها ساخته شده و پس از آن با تکنیک کاهش ویژگی، ویژگی های مفیدتر در جهت کاهش زمان آموزش استخراج شده است. در بخش شبکه عصبی کانولوشن نیز مدل جدیدی معرفی شده است که ویژگی هایی را از این طریق استخراج کند. برای طبقه بند نیز از شبکه عصبی کاملاً متصل استفاده شده است. مدل پیشنهادی با سه مجموعه داده مختلف آموزش دیده و مورد آزمون قرار گرفته است و با وجود محدودیت منابع سخت افزاری، دقت به مراتب بهتری نسبت به بسیاری از پژوهش های پیشین ارائه داده است. مجموعه داده اول تصاویر را در سه کلاس"مثبت"، "منفی" و "بدون اطلاعات" طبقه بندی کرده است که دقت مدل پیشنهادی برای این مجموعه داده 70/97% بود؛ همچنین مجموعه داده دوم تصاویر را در سه کلاس"مثبت"، "منفی" و " سایر پنومونی ها" طبقه بندی کرده است که دقت مدل پیشنهادی برای این مجموعه داده 58/95% بود؛ و در نهایت مجموعه داده سوم که تصاویر را در سه کلاس"مثبت"، "منفی" و "پنومونی های اکتسابی" طبقه بندی کرده است و دقت مدل پیشنهادی برای این مجموعه داده 80/98% بود. نکته حائز اهمیت در این پژوهش، آموزش مجموعه داده بسیار بزرگ تصاویر سی تی اسکن ریه است که تا کنون دقت های بسیار پایین تری نسبت به مدل پیشنهادی ارائه شده، در پژوهش ها و مدل های پیشین وجود داشته است که در این مورد مدل پیشنهادی عملکرد خوبی را از خود نشان داده است. مدل پیشنهادی بر روی دو محیط پیاده سازی شده است، محیط اول سرور پردازش سریع دانشگاه اراک و محیط دوم فضای ابری رایگان گوگل کولب.
پژوهشگران	محمد حسین شکور (استاد مشاور)، محسن رحمانی (استاد راهنما)