تشخیص کووید با استفاده از یادگیری عمیق و مدل بهبودیافته U-Net

تشخیص کووید با استفاده از یادگیری عمیق و مدل بهبودیافته U-Net یکی از نوآورانه‌ترین رویکردها در تحلیل تصاویر پزشکی است که در سال‌های اخیر به دلیل شیوع گسترده این بیماری مورد توجه قرار گرفته است. کووید-۱۹ به‌عنوان یکی از شدیدترین بیماری‌های واگیردار قرن گذشته، چالش‌های بزرگی برای سیستم‌های پزشکی در سراسر جهان ایجاد کرده است. از آنجایی که روش‌های تشخیصی قطعی هنوز به‌طور کامل توسعه نیافته‌اند، استفاده از تکنیک‌های یادگیری عمیق برای شناسایی خودکار ضایعات ریه در تصاویر سی‌تی اسکن به ابزاری حیاتی برای پزشکان تبدیل شده است. در این پایان نامه، به بررسی یک روش پیشنهادی مبتنی بر مدل بهبودیافته U-Net برای قطعه‌بندی تصاویر ریه و تشخیص کووید-۱۹ می‌پردازیم که با استفاده از الگوریتم ملخ بهینه‌سازی شده است.

چالش‌های تشخیص کووید-۱۹ در تصاویر سی‌تی اسکن

یکی از مشکلات اصلی در تشخیص کووید-۱۹، عدم تمایز واضح ضایعات ریه در مراحل اولیه بیماری از ریه‌های سالم است. این مسئله قطعه‌بندی دقیق تصاویر سی‌تی اسکن را دشوار می‌کند. مدل پیشنهادی در این پژوهش با تقویت معماری شبکه U-Net و افزایش وزن‌های مسیرهای انقباض و انبساط، به همراه افزودن ماژول کانولوشنی بهبودیافته، توانسته است این چالش را تا حد زیادی برطرف کند. این ماژول جدید ارتباط بین خطوط لوله آنکدر و دیکدر را تقویت کرده و دقت قطعه‌بندی را افزایش داده است.

بهینه‌سازی با الگوریتم ملخ

نوآوری کلیدی این پژوهش، استفاده از الگوریتم ملخ برای بهینه‌سازی فراپارامترهای شبکه U-Net است. این فراپارامترها شامل نرخ یادگیری اولیه، ضریب کاهش نرخ یادگیری، دوره کاهش نرخ یادگیری و اندازه دسته (mini batch size) هستند. الگوریتم ملخ با کدگذاری عوامل جستجو به‌صورت بردارهای یک‌طرفه و استفاده از تابع شایستگی میانگین خطای مربع، عملکرد شبکه را بهبود بخشیده و دقت تشخیص را به‌طور قابل‌توجهی افزایش داده است. این روش، که تاکنون در پژوهش‌های مشابه ارائه نشده است، جنبه نوآورانه این مطالعه را تشکیل می‌دهد.

نتایج و ارزیابی عملکرد

آزمایش‌های انجام‌شده بر روی مجموعه داده‌های عمومی نشان‌دهنده برتری مدل پیشنهادی نسبت به U-Net پایه و سایر مدل‌ها است. نتایج کمی حاصل از این پژوهش شامل معیارهای IOU (0.9504)، ضریب دایس (۰٫۸۹۷۵)، صحت (۰٫۹۵۳۱)، دقت (۰٫۹۳۷۹)، حساسیت (۰٫۹۷۰۴)، ویژگی (۰٫۹۳۵۷) و امتیاز F1 (0.9539) است. این اعداد نشان‌دهنده بهبود قابل‌توجه در قطعه‌بندی خودکار ضایعات ریه و تشخیص کووید-۱۹ هستند. همچنین، کاهش نرخ مثبت کاذب و افزایش صحت الگوریتم، این روش را به گزینه‌ای مناسب برای استفاده در تشخیص اولیه بیماری تبدیل کرده است.

اهداف و کاربردها

هدف اصلی این پژوهش، ارائه یک مدل یادگیری عمیق برای قطعه‌بندی خودکار نواحی ریه در تصاویر سی‌تی اسکن است که بتواند به پزشکان در تشخیص سریع و دقیق کووید-۱۹ کمک کند. این مدل با دریافت تصاویر خام و شناسایی خودکار ضایعات، امکان تحلیل دقیق‌تر و کاهش خطاهای انسانی را فراهم می‌کند. علاوه بر این، بهبود صحت و درستی الگوریتم نسبت به روش‌های موجود و کاهش نرخ مثبت کاذب، از دیگر دستاوردهای این مطالعه است که می‌تواند تأثیر بسزایی در بهبود فرآیندهای تشخیصی داشته باشد.

نتیجه‌گیری

تشخیص کووید با استفاده از یادگیری عمیق و مدل بهبودیافته U-Net، رویکردی نوین و کارآمد در تحلیل تصاویر پزشکی است. این روش با بهره‌گیری از الگوریتم ملخ و بهبود معماری U-Net، دقت و کارایی قطعه‌بندی تصاویر ریه را به سطح جدیدی رسانده است. نتایج به‌دست‌آمده نشان‌دهنده پتانسیل بالای این مدل برای استفاده در سیستم‌های تشخیصی پزشکی است، به‌ویژه در شرایطی که سرعت و دقت در تشخیص بیماری حیاتی است. این پژوهش می‌تواند به‌عنوان پایه‌ای برای توسعه ابزارهای تشخیصی پیشرفته‌تر در آینده مورد استفاده قرار گیرد.