|
Title
|
تشخیص خودکار عفونت کوید-19 و ذات الریه در تصاویر رادیوگرافی قفسه سینه با استفاده از یادگیری عمیق
|
|
Type of Research
|
Thesis
|
|
Keywords
|
بینایی ماشین، یادگیری عمیق، کوید-19، ذات الریه، طبقه بندی، تصاویر رادیوگرافی قفسه سینه
|
|
Abstract
|
کوید-19 به عنوان یک ویروس تهدید کننده سلامت جوامع جهانی است. این بیماری به سرعت در سراسر جهان منتقل شده و گسترش یافت. هم اکنون قرنطینه یکی از روش های مؤثر برای جلوگیری از شیوع ویروس کوید-19 و شکستن زنجیره انتقال این بیماری است. امّا نکته حائز اهمیت این است که هنوز روش هوشمند و کاربردی برای تشخیص مبتلایان در دسترس نیست. ایجاد واحدهای بهداشتی خودکار برای تحت نظر گرفتن بیماران درون قرنطینه و محافظت از کارکنان حوزه درمان و بهداشت بسیار مهم است. متخصصان و تکنسین های تصویربرداری از اولویت بالایی برخوردار هستند، به طوری که هرگونه تماس احتمالی آنان با ویروس می تواند تحت کنترل باشد. علاوه بر تجهیزات حفاظتی شخصی ، ممکن است امکانات تصویربرداری اختصاصی و گردش کار در نظر گرفته شود که برای کاهش خطرات و نجات جان افراد بسیار مهم است. در این واحدها می توان از سیستم های هوشمند ماشینی برای تحت نظر گرفتن بیماران استفاده کرد و این سیستم ها را می توان با استفاده از روش یادگیری عمیق توسعه داد. یکی از عوارض اصلی ناشی از ویروس کوید-19، بیماری ذات الریه است. ذات الریه عفونت بخشی از ریه (آلوئول، مجاری آلوئولار و برونشیول تنفسی) است، که مسئول انتقال گاز بوده و می تواند توسط اُرگانیسم های مختلف مانند ویروس ها، باکتری ها یا قارچ ها ایجاد شود. ذات الریه را نمی توان به عنوان یک بیماری واحد طبقه بندی کرد، بلکه به عنوان یک گروه از عفونت های مختلف با ویژگی های مختلف طبقه بندی می شود. از آن جا که تعداد مبتلایان به سرعت در حال افزایش است، بیشتر کشورها با کمبود کیت و منابع آزمایش روبرو هستند. تعداد محدود کیت های آزمایشی و افزایش تعداد موارد روزانه ما را ترغیب می کند، تا به فکر ارائه روشی هوشمند باشیم، که می تواند به رادیولوژیست ها و پزشکان در تشخیص به موقع و صحیح موارد کوید-19 با استفاده از روش های نوین تصویربرداری رادیوگرافی کمک کند. در این زمینه، تلفیق راه حل های یادگیری عمیق با روش های نوین تصویربرداری قفسه سینه می توانند برای کمک به تشخیص این بیماری بسیار مفید باشند و پزشکان را در تشخیص سریع تر و ارزان تر این بیماری خطرناک یاری کنند.
|
|
Researchers
|
Vahid Mohammadian (Student)، Mahdi Hashemzadeh (Primary Advisor)، Jalil Ghavidel Neycharan (Advisor)
|