تشخیص هوشمند بیماری کوید19 با استفاده از ترکیب ویژگی های عمیق و تحلیل مولفه اصلی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه کامپیوتر- دانشگاه آزاد اسلامی تربت حیدریه - تربت حیدریه – ایران

2 گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه تربت حیدریه، تربت حیدریه ، ایران

3 دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

چکیده

بیماری کوید19 به سرعت در حال گسترش است و در مدت کوتاهی منجر به مرگ میلیون ها انسان شده است. تشخیص زود هنگام این بیماری می تواند در تسریع فرایند درمان وجلوگیری از مرگ بیماران نقش بسزایی داشته باشد. استفاده از یادگیرهای عمیق یکی از متدهای هوشمند تشخیص بیماری کوید 19 است. هدف از این پژوهش ارائه مدلی مبتنی بر ترکیب ویژگی های عمیق و انتخاب بهترین ویژگی ها به منظور تشخیص خودکار این بیماری می باشد. باوجود آنکه شبکه های عمیق می توانند ویژگی های تصویر را استخراج کنند، اما استفاده از چندین یادگیر به طور موازی منجر به کشف ویژگی های خاص توسط هر یادگیر خواهد شد. در این پژوهش از 3 شبکه عمیق ، به منظور استخراج ویژگی های تصاویر بیماری کوید 19 استفاده شده و سپس کاهش ابعاد ویژگیهای مستخرج، صورت گرفته است. کلاس بندی توسط شبکه عصبی پرسپترون انجام شده است. پایگاه داده مورد مطالعه، تصاویرX-ray برگرفته از مرجع داده Github و شامل 1125 نمونه در 3 کلاس نرمال، مبتلا به کوید 19 و ذات الریه می باشد. به منظور اطمینان از دقت حاصله، در فرایند آموزش، از روش K-fold بهره گرفته شده است. پس از مدل‌سازی و ثبت نتایج، دقت تشخیص بیماری کوید19 در زمان استخراج ویژگی ها و استفاده مستقل از یادگیرها در بهترین حالت 1/96% و پس از ترکیب ویژگی های عمیق 7/97% حاصل گردید. استفاده از تکنیک های هوشمند مبتنی بر یادگیری ماشین می تواند منجر به تشخیص به موقع بیماری کوید19 شده و به تسریع فرایند درمان کمک کند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Intelligent diagnosing COVID- 19 Disease Using a Combination of Deep Features and Analyzing Original Component

نویسندگان [English]

  • iman zabbah 1
  • Ali Maroosi 2
  • Reza Ebrahimpour 3
1 Department of Computer, Torbat-e-Heydariyeh branch, Islamic Azad University, Torbat-e-Heydariyeh, Iran
2 Department of Computer Engineering, University of Torbat Heydarieh, Torbat Heydaieh, Iran
3 Faculty of Computer Engineering Shahid Rajaee Teacher Training University,Iran
چکیده [English]

COVID- 19 disease is spreading worldwide and has killed millions of people in a short period of time. Early diagnosis of the disease can accelerate treatment process and prevent the death of patients. The deep learning approaches are used frequently for diagnosing COVID- 19 disease. This study presents a model based on best features extracted from different deep learning approaches. Although deep networks can extract the features of images, but using several learners in parallel will result in detecting the specific features by each learner. In this study, 3 deep convolution networks have been used to extract the features of COVID- 19 disease images. The dimensions of the extracted features have been reduced using the PCA algorithm. Furthermore, classification has conducted by the Perceptron neural network. The study dataset consisted of X-ray images adapted from Github data repository containing 1125 samples in 3 Normal, COVID- 19 and Pneumonia classes. In all networks, 70% of the samples were used for training and 30% for testing. The K-fold method was used to ensure the accuracy of the training process. The results show that the highest accuracy of learners was 96.1% when they are used independently. After combining deep features of learners the accuracy is 97.7%. The use of machine learning-based techniques can lead to the early diagnosis of COVID- 19 disease and contribute to treatment process. This study introduces a combination of deep learning approach to enhance detection accuracy of COVID- 19 disease.

کلیدواژه‌ها [English]

  • COVID-19
  • Deep learning
  • Data mining
  • mixture of Experts