تشخیص کووید-19 مبتنی بر یادگیری انتقالی متخاصم چند منبعی و تابع خطای مرکزی
(ندگان)پدیدآور
الحارس, هادیتنها, جعفربالافر, محمد علی
نوع مدرک
Textمقاله پژوهشی
زبان مدرک
فارسیچکیده
در سالهای اخیر، از تکنیکهای یادگیری عمیق بهوفور برای تشخیص کووید با استفاده از تصاویر پزشکی استفاده میشود. با این حال در تشخص بیماری کووید 19 به دلیل دادههای ناکافی، آموزش مدل بهدرستی انجام نمیشود و در نتیجهی آن تعمیمپذیری مدل کاهش مییابد. برای پرداختن به این مسئله، میتوان دادههای چندین منبع مختلف را با استفاده از یادگیری انتقالی ترکیب کرد. در این مقاله برای بهبود کیفیت انتقال بین چند منبع داده، ما یک مدل یادگیری انتقالی متخاصم چند منبعی را پیشنهاد میکنیم. در این روش شبکه همزمان با تلاش برای دستهبندی صحیح دادهها، سعی در هر چه شبیهتر ساختن ویژگیهای مجموعهدادهی مبدأ و مقصد به یکدیگر را دارد تا نتایج یکسانی از نظر کمی و کیفی حاصل شود. همچنین در روش پیشنهادی از تابع خطای مرکزی برای آموزش مدل استفاده میکنیم. استفاده از تابع خطای مرکزی به تمییز هرچه بهتر کلاسها از یکدیگر کمک شایانی میکند. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با دو مجموعهداده SARS-CoV-2 CT Scan و COVID19-CT با تعداد محدود تصاویر انجام گرفته و با نتایج سایر الگوریتمهای موفق مقایسه میشود. روش پیشنهادی بهازای معیارهای accuracy، precision، recall و F1 به بهبود 2، 15، 15 و 8 درصدی نسبت به بهترین نتایج سایر روشهای مقایسه شده، دست یافته است. کد پیادهسازی روش پیشنهادی در آدرس گیتهاب زیر در دسترس است:https://github.com/HadiAlhares/Covid19
کلید واژگان
تشخیص بیماریتشخیص COVID-19
یادگیری عمیق
تطبیق دامنه متخاصم چند منبعی
شماره نشریه
1تاریخ نشر
2023-03-211402-01-01
ناشر
انجمن ماشین بینایی و پردازش تصویر ایرانIranian Society of Machine Vision and Image Processing
سازمان پدید آورنده
دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایراندانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران
دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران