رویکردهای یادگیری عمیق برای تشخیص ۱۹-COVID از تصاویر سی تی اسکن و اشعه ایکس قفسه سینه

ویروس۲- SARS-COV، ۱۸۱ میلیون نفر را در سراسر جهان آلوده و بیش از سه میلیون و ۹۰۷ هزار نفر را کشته است تا زمان انجام این مطالعه) [۱] و هنوز هم به سرعت در سراسر جهان در حال گسترش است. تشخیص بیماری در اسرع وقت و دقت بالا ، برای کنترل شیوع بیماری و معالجه بیماران ، بسیار حائز اهمیت می باشد . تشخیص به موقع ۱۹-Covid بر اساس CTScan و اشعه X قفسه سینه ، امکان درمان به موقع بیماران را فراهم و به کنترل شیوع بیماری کمک می کند. توموگرافی کامپیوتری (CT) یک روش سریع برای تشخیص بیماران مبتلا به ۱۹-COVID در جهان می باشد اما تشخیص درست آن ، وابستگی زیادی به مهارت و دقت رادیولوژیست دارد که لازم به ذکر است عملکرد رادیولوژیست ها در تشخیص ۱۹-COVID متوسط بوده است . بر این اساس ، برای بهبود عملکرد در تشخیص ۱۹-COVID و افزایش سرعت و دقت جهت تشخیص بیماری ، مطالعات و تحقیقات مختلفی در جهان با موضوع استفاده از مدلهای یادگیری عمیق انجام شده است که در این مطالعه قصد داریم به بررسی روشها و مطالعات انجام شده در این خصوص بپردازیم . به طور خاص ، الگوریتم های پیشرفته مبتنی بر یادگیری عمیق معروف به شبکه عصبی Convolutional ، در استخراج ویژگی های اساسی در تصاویر پزشکی نقش بسزایی دارند و این روش با استفاده از اسکن تصویر CT وX-Rayبا نتایج قابل توجه ای به کار گرفته شده است. این مطالعه نشان می دهد که فناوری یادگیری عمیق دارای کاربردهای بالینی بالقوه است و سیستم های تشخیص عمیق ویروس کرونا می تواند در مناطقی که پزشکان متخصص و کلینیک های مجهز در دسترس نیستند استفاده شود .