Ko’krak qafasi rengen tasvirlarini o’ramli neyron to’rlari asosida tashxislash

Rengen ma’lumotlarini qayta ishlash

Tasvirni qayta ishlash - har bir tasvirdan shovqinli yoki buzilgan piksellarni olib tashlash orqali mazmunli ma'lumot olish va aniq tasnif olishning muhim bosqichi. Birinchidan, tasvirlar Pythonda RGB -dan kulrang rangga aylantirildi va tizimga kirish uchun tayyor bo'lishi uchun o'lchamlari 224 × 224 pikselga o'zgartirildi.

VGG19 modeli (oldindan o'qitilgan) ushbu tadqiqotda qo'llaniladigan eksperimental ma'lumotlar to'plamining xususiyatlarini ajratuvchi sifatida foydalanish uchun moslashtirilgan. Ushbu tarmoq modelini ishlab chiqish uchun 19 qatlamdan iborat VGGNet ishlatilgan. Eksperimental testlar VGG19 VGG16, skretch modeli va ResNet50 va AlexNet kabi boshqa chuqur o'rganish modellariga qaraganda yaxshiroq ishlashini tasdiqladi. VGG19 modeli uchta to'liq bog'langan o'n oltita o’ramli qatlam yordamida ishlab chiqilgan (2-rasm). Chiziqli bo'lmagan ReLU faollashtirish funksiyasida o’ramli qatlamlarning chiqishini olish uchun ishlatilgan, o’ram qismi esa ketma-ket beshta maksimal birlashma qatlamiga bo'lingan. Birinchi va ikkinchi pastki hududlarni loyihalash uchun ikkita o’ram qatlam ishlatilgan, bu erda qatlam chuqurligi 64 va 128 edi. Bundan tashqari, qolgan uchta pastki hududni qurish uchun ketma-ket to'rtta o’ram qatlam ishlatilgan, bu erda qatlam chuqurligi 256, 512 edi. Taklif qilinayotgan VGG19 modelining oxirgi qatlami xususiyatlar vektorini olishga yordam berdi, 1024 va 512 neyronlar esa xususiyatlarni yig'ish qatlami oldiga qo'yilgan ikkita yashirin qatlamda mavjud. Aniq modelni amalga oshirish paytida ortiqcha yuklamani kamaytirish uchun har bir to'liq ulangan qatlamdan keyin L2 regulyatsiyasi ishlatilgan. CNN-ga asoslangan VGG19 modellari 4096 ta bog'liq funksiyalarni ta'minlaydi.

6-rasm. VGG19 arxitekturasi

VGG19 arxitekturasi 16 CNN qatlamidan iborat bo'lib, SoftMax funksiyasini bajarish uchun 1 ta oxirgi chiqish qatlamiga ega bo'lgan 3 ta bog'langan qatlamdan iborat. Tarmoq arxitekturasini qurish uchun ulangan qatlamlar sonida va oxirgi qavatida hech qanday o'zgarishlar talab qilinmaydi.Birinchi uchta sath va to'liq bog'langan uchinchi sath mos ravishda 4096 ta funksiyani va 1000 ta kanalni ta'minlagan. Oxirgi qatlam - bu ikkita neyronli chiqish qatlami COVID-19 va normal holatlarni aniqlab berishni amalga oshiradi. Olingan natijalar COVID-19 aniqlashda 99,49% aniqlik bilan qoniqarli ishlashini ta'minladi

Xulosa

Koronavirus pandemiyasi butun dunyodagi sog'liqni saqlash tizimlarini haddan tashqari og'irlashtirdi, chunki ular juda ko'p o'limlar bilan kurashishdi. COVID-19 ni tezroq, osonroq va arzonroq tarzda aniqlash hayotni saqlab qolishi va sog'liqni saqlash xodimlarining yukini kamaytirishi mumkin. Sun'iy intellekt rentgen tasvirlariga tasvirlash texnikasini qo'llash orqali COVID-19 ni aniqlashda katta rol o'ynashi mumkin. Bu ishda aqlli tizim ishlab chiqilgan bo'lib, o’ramli neyron tarmoq (CNN) funksiyalari bilan birlashtirish orqali aniqlangan. Ko'krak qafasi rentgenografiyasi yordamida COVID-19 ni aniqlashga mos xususiyatlar va tasnifni tanlash juda muhim. Ko'krak qafasi rentgen nurlari tizimga COVID-19 ni aniqlash uchun ishlatilgan o'pkaning katta maydonini chiqarish uchun kiritildi. CNN ANN, KNN va SVM kabi boshqa tasniflash usullariga qaraganda yaxshiroq tasniflash aniqligini ta'minlaydi.

Foydalanilgan adabiyotlar ro’yxati

1. 
   Wu, F., Zhao, S.,Yu, B., Chen, Y.M., Wang, W.,Song, Z.G., Hu, Y., Tao, Z.W., Tian, J.H.,Pei, Y.Y.,et al. A new coronavirus associated with human respiratory disease in China. //Nature 2020, 579, 265–269.
   
2. 
   Guan, W.J., Ni, Z.Y., Hu, Y., Liang, W.H., Ou, C.Q., He, J.X., Liu, L.,Shan, H.,Lei, C.L., Hui, D.S., et al. Clinical characteristics of coronavirus disease 2019 in China. //N. Engl. J. Med. 2020, 382, 1708–1720.
   
3. 
   Chen, N., Zhou, M., Dong, X., Qu, J., Gong, F., Han, Y., Qiu, Y., Wang, J., Liu, Y., Wei, Y., et al. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: A descriptive study. //Lancet 2020, 395, 507–513.
   
4. 
   Wang, C., Horby, P.W., Hayden, F.G., Gao, G.F. A novel coronavirus outbreak of global health concern. //Lancet 2020, 395, 470–473.
   
5. 
   Zhu, N., Zhang, D., Wang, W., Li, X., Yang, B., Song, J., Zhao, X., Huang, B., Shi, W., Lu, R., et al. 2020. A novel coronavirus from patients with pneumonia in China.// N. Engl. J. Med. 2019, 382, 727–733.
   
6. 
   Li,Q.,Guan,X.,Wu,P.,Wang,X.,Zhou,L.,Tong,Y.,Ren,R.,Leung,K.S.,Lau,E.H.,Wong,J.Y.,etal. Earlytransmissiondynamics in Wuhan, China, of novel coronavirus–infected pneumonia. //N. Engl. J. Med. 2020, 382, 1199–1207.
   
7. 
   Holshue, M.L., DeBolt, C., Lindquist, S., Lofy, K.H., Wiesman, J., Bruce, H., Spitters, C., Ericson, K., Wilkerson, S., Tural, A., et al. First case of 2019 novel coronavirus in the United States. N. Engl. J. Med. 2020, 382, 929–936.
   
8. 
   Wang, L., Wong, A. Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest X-ray images.// arXiv 2020, arXiv:2003.09871.
   
9. 
   Afzal, A. Molecular diagnostic technologies for COVID-19: Limitations and challenges.// J. Adv. Res. 2020.
   
10. 
    World Health Organization: Use of Chest Imaging in Covid-19. 2020. Available online: https://www.who.int/publications/i/ item/use-of-chest-imaging-in-covid-19 (accessed on 7 January 2021).