دانلود ترجمه مقاله مدل طبقه بندی مبتنی بر یادگیری انتقال عمیق در بیماری کووید 19

1. مقدمه 2. کارهای مرتبط 3. مدل پیشنهادی 4. تجزیه و تحلیل عملکرد 5. نتیجه گیری

چکیده – عفونت کووید 19، با وجود تعداد محدود کیت های تست، با سرعت فزاینده ای در حال افزایش است. از اینرو، تولید کیت های تست کووید 19 همچنان یک حوزه تحقیقاتی باز است. اخیراً ، بسیاری از مطالعات نشان داده اند که از تصاویر پرتونگاری مقطعی محاسبه ای قفسه سینه (CT) می توان برای تست کووید 19 استفاده کرد، زیرا تصاویر CT قفسه سینه ، یک تغییر دو جانبه در بیماران مبتلا به کووید 19 را نشان می دهد. با این حال ، طبقه بندی بیماران کووید 19 از طریق تصاویر CT قفسه سینه کار چندان ساده ای نبوده و پیش بینی تغییر دو طرفه یک مشکل حاد است. بنابراین، در این مطالعه، یک روش یادگیری انتقال عمیق برای طبقه بندی بیماران مبتلا به کووید 19 استفاده شده است. همچنین ، یک تابع زیان هموار top-2 با ویژگی های حساس به هزینه نیز برای سنجش انواع داده های نامتعادل کووید 19 استفاده می شود. نتایج تجربی نشان می دهد که مدل طبقه بندی کووید 19 مبتنی بر یادگیری انتقال عمیق، نتایج مفیدی را در مقایسه با سایر مدلهای یادگیری نظارت شده ارائه می دهد. مقدمه: در اواخر سال 2019 ، نخستین مورد از بیماری کرونا ویروس جدید (کووید 19) در ووهان ، چین گزارش شد. سپس، مشخص شد که کووید 19 در کل جهان شیوع یافته است. هدف اصلی این تحقیق طبقه بندی خودکار افراد مبتلا به کووید 19 از طریق تصاویر CT قفسه سینه آنها است [1]. از طریق تصاویر CT قفسه سینه می توان برای طبقه بندی بیماران کووید 19 و تست کووید 19 استفاده کرد. از آنجائیکه تمامی بیمارستانها مجهز به دستگاه های تصویربرداری CT هستند، می توان طبقه بندی مبتنی بر CT را برای تست بیماران مبتلا به کووید 19 با سرعت مناسب انجام داد. با این وجود، برای تشخیص بیماران مبتلا به کووید 19 از طریق تصاویر CT قفسه سینه ، به یک پزشک متخصص و زمان بیشتری نیاز است. از اینرو، می توان از مدل های یادگیری نظارت شده و تصاویر CT مربوط به قفسه سینه برای طبقه بندی بیماران کووید 19 استفاده کرد [2]. شکل 1 تغییرات CT قفسه سینه بیماران مبتلا به کووید 19 را طی شش روز نشان می دهد. در ابتدا، هیچ تغییری در تصویر CT قفسه سینه و رفتار طبیعی آن مشاهده نمی شود. اما با افزایش عفونت تغییرات دو جانبه رخ می دهد. در روزهای آتی ، تصاویر CT قفسه سینه پیشرفت التهاب ریه را با نمای شیشه مات و تاری خطی در بخش زیر جنبی نشان می دهد.

The COVID-19 infection is increasing at a rapid rate, with the availability of limited number of testing kits. Therefore, the development of COVID-19 testing kits is still an open area of research. Recently, many studies have shown that chest Computed Tomography (CT) images can be used for COVID-19 testing, as chest CT images show a bilateral change in COVID-19 infected patients. However, the classification of COVID-19 patients from chest CT images is not an easy task as predicting the bilateral change is defined as an ill-posed problem. Therefore, in this paper, a deep transfer learning technique is used to classify COVID-19 infected patients. Additionally, a top-2 smooth loss function with cost-sensitive attributes is also utilized to handle noisy and imbalanced COVID-19 dataset kind of problems. Experimental results reveal that the proposed deep transfer learning-based COVID-19 classification model provides efficient results as compared to the other supervised learning models. Introduction: The first case of novel coronavirus disease (COVID-19) was re-ported in Wuhan, China at the end of 2019. Thereafter, it turned out to be a COVID-19 outbreak in the entire world. The main objective of this paper is to automatically classify COVID-19 infected persons from their chest CT images [1]. Chest CT images can be used to classify COVID-19 patients and can be used for COVID-19 testing. As all hospitals have CT imaging machines, thus, CT based COVID-19 classification can be implemented to test COVID-19 infected patients at a good speed. However, it requires an expert doctor and additional time to predict COVID-19 infected patients from chest CT images. Thus, supervised learning models can be used for COVID-19 patients classification from their respective chest CT images [2]. Fig.1shows the changes in chest CT of COVID-19 affected patients within six days. Initially, there is no change in the chest CT image and its normal behavior. But as infection increases day by day, it is shown that the bilateral changes take place. For an increase in the number of days, chest CT images show the progression of pneumonia with mixed ground-glass opacities and linear opacities in the subpleural area.