دانلود ترجمه مقاله مدل فازی عمیق برای تشخیص بیماری کووید 19 از تصاویر CT

1. مقدمه 2. مقالات مرتبط 3. مواد و روش ها 4. نتایج تجربی و آنالیز 5. نتیجه گیری

چکیده – از اوایل سال 2020، بیماری کرونا ویروس جدید با سرعت بسیار بالایی در سراسر جهان همه گیر شد. به دلیل وسعت آسیب، این بیماری به یک مشکل مهم برای سلامت عمومی جهان تبدیل شد. در مواجهه با افزایش چشمگیر تعداد بیماران مبتلا به کووید 19، نیاز به تشخیص سریع موارد مشکوک، بسیار حیاتی است. بنابراین، این مقاله یک سیستم طبقه بندی فازی را ساخته که اهداف آن تشخیص افراد مشکوک به بیماری با مشاهده و آنالیز تصاویر CT بیماران مشکوک است. ابتدا، الگوریتم یادگیری عمیق به منظور استخراج ویژگی های سطح پایین تصاویر CT در مجموعه داده CT – کووید 19 مورد استفاده قرار گرفت. سپس، اطلاعات بارز استخراج شده با الگوریتم کاهش ویژگی به منظور دستیابی به ویژگی هایی با تشخیص بالا مورد استفاده قرار گرفت. سپس، برخی ویژگی های کلیدی به عنوان ورودی برای مدل تشخیص فازی به مدل یادگیری انتخاب شد. در نهایت، چندین تصویر به عنوان مجموعه آزمایش به منظور تست سیستم طبقه بندی فازی آموزش دیده استفاده شد. میزان دقت به دست آمده 94.2 درصد و امتیاز - F1 برابر با 93.8 درصد بود. نتایج تجربی نشان داد که در مقایسه با روش های تشخیص یادگیری عمیق که به طور گسترده در آنالیز تصاویر پزشکی استفاده می شود، مدل فازی پیشنهادی دقت و کارایی تشخیص را بهبود بخشیده که متعاقبا به کنترل انتشار کووید 19 کمک خواهد کرد.

From early 2020, a novel coronavirus disease pneumonia has shown a global “pandemic” trend at an extremely fast speed. Due to the magnitude of its harm, it has become a major global public health event. In the face of dramatic increase in the number of patients with COVID-19, the need for quick diagnosis of suspected cases has become particularly critical. Therefore, this paper constructs a fuzzy classifier, which aims to detect infected subjects by observing and analyzing the CT images of suspected patients. Firstly, a deep learning algorithm is used to extract the low-level features of CT images in the COVID-CT dataset. Subsequently, we analyze the extracted feature information with attribute reduction algorithm to obtain features with high recognition. Then, some key features are selected as the input for the fuzzy diagnosis model to the training model. Finally, several images in the dataset are used as the test set to test the trained fuzzy classifier. The obtained accuracy rate is 94.2%, and the F1-score is 93.8%. Experimental results show that, compared with the deep learning diagnosis methods widely used in medical image analysis, the proposed fuzzy model improves the accuracy and efficiency of diagnosis, which consequently helps to curb the spread of COVID-19.

ترجمه این مقاله در 23 صفحه آماده شده و در ادامه نیز صفحه 20 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.