Apprentissage profond pour la detection du covide 19

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.