Please use this identifier to cite or link to this item:
https://dspace.univ-ouargla.dz/jspui/handle/123456789/31388
Title: | Apprentissage profond pour la detection du covide 19 |
Authors: | BENSID, Khaled NAAM, Bouhafes Barka, Nassira Aouni, Nour Elhouda |
Keywords: | Covid-19 Intelligence Artificielle (IA) Techniques De Tomodensitométrie (TDM) Réseau de neurones convolutifs(CNN) Machine à vecteurs de support (SVM). IV |
Issue Date: | 2022 |
Abstract: | Le monde entier fait face à une crise sanitaire unique en raison de la pandémie de
COVID-19. Avec sa propagation continue, le nombre d’infections a atteint 528 millions de
personnes dans le monde. Parmi les solutions visant à sauver des vies et à stopper l’éclosion
de l’épidémie, l’intelligence artificielle (IA) a été adaptée pour relever les défis posés par
cette épidémie. Dans cette étude, les techniques de tomodensitométrie (TDM) ont joué un
rôle important dans le diagnostic et l’évaluation du traitement de la maladie. Pour classer
COVID-19 comme positif ou négatif, 12 modèles de réseau à convolution profonde (CNN)
pré-formés (ResNet18, ResNet50, ResNet101, VGG16, VGG19...etc) ont été utilisés. Les
caractéristiques profondes ont également été classées à l’aide d’un classificateur SVM
(Supportive Vector Machine).
Deux bases de données ont été formées, où la première base de données contenant
746 images et la seconde contenant 349 images a été utilisée dans l’expérience. La
précision de la classification a été utilisée comme mesure de la performance de l’étude.
Les travaux expérimentaux révèlent que l’apprentissage en profondeur montre le potentiel
d’une détection plus rapide et plus précise du COVID-19 qu’auparavant. Il a produit
les caractéristiques de profondeur extraites du modèle ResNet101 avec une précision de
97,85%, ce qui était le plus élevé parmi tous les résultats obtenus. Les résultats ont montré
que les méthodes profondes sont très efficaces pour détecter le COVID-19 sur la base
d’images de tomodensitométrie thoracique. العالم كله أزمة صحية فريدة من نوعها بسبب جائحة كوفيديواجه العالم بأسره أزمة صحية فريدة بسبب جائحة كوفيد - 19 . ومع استمرار انتشاره ، وصل عدد الإصابات به إلى 528 مليون شخص على مستوى العالم. من لمواجهة التحديات (AI) بين الحلول التي تهدف إلى إنقاذ الأرواح ووقف تفشي الوباء ، تم تكييف الذكاء الاصطناعي دورًا مهمًا في تشخيص المرض (CT) التي يفرضها هذا الوباء. في هذه الدراسة ، لعبت تقنيات التصوير المقطعي وتقييم العلاج. لتصنيف كوفيد- 19 على أنه إيجابي أو سلبي ، تم استخدام 12 نموذج شبكة تلافيفية عميقة مدربة إلخ). تم تصنيف الميزات ... VGG19 ، VGG16 ، ResNet101 ، ResNet50 ، (ResNet18 (CNN) مسبقًا آلة المتجه الداعمة). ) SVM العميقة أيضًا باستخدام مصنف وتم تدريب قاعدتي بيانات ، حيث تم استخدام قاعدة البيانات الأولى التي تحتوي على 746 صورة والثانية تحتوي على 349 صورة في التجربة. تم استخدام دقة التصنيف كمقياس لأداء الدراسة. يكشف العمل التجريبي أن من ذي قبل. أنتج السمات العميقة COVID- التعلم العميق يُظهر إمكانية الكشف بشكل أسرع وأكثر دقة عن 19 بدقة ٪ 97.85 ، والتي كانت الأعلى بين جميع النتائج التي تم الحصول عليها. ResNet المستخرجة من نموذج 101 بناءً على صور الصدر المقطعية. |
Description: | Système de Télécommunication |
URI: | https://dspace.univ-ouargla.dz/jspui/handle/123456789/31388 |
Appears in Collections: | Département d'Electronique et des Télécommunications - Master |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
08 Barka-Aouni.pdf | Système de Télécommunication | 4,78 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.