تشخیص چندکلاسه بیماری‌های ریوی از روی تصاویر بهبود‌یافته CXR مبتنی بر یادگیری تجمیعی

محمدی, شهریار; تقویان آسیابی, زهرا; باباگلی, مهدی

***************«بسم الله الرحمن الرحیم» نشریه علمی «پردازش علائم و داده‌ها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوری‌های پیشرفته ***************

Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies

EN FA

دوره 23، شماره 1 - ( 3-1405 ) جلد 23 شماره 1 صفحات 82-61 | برگشت به فهرست نسخه ها

Mendeley

Zotero

RefWorks

Mohammadi S, Taghavian Asiabi Z, Babagoli M. Multi-class Lung Disease Detection from Enhanced CXR Images Using Ensemble Learning. JSDP 2026; 23 (1) : 5
URL: http://jsdp.rcisp.ac.ir/article-1-1475-fa.html

محمدی شهریار، تقویان آسیابی زهرا، باباگلی مهدی. تشخیص چندکلاسه بیماری‌های ریوی از روی تصاویر بهبود‌یافته CXR مبتنی بر یادگیری تجمیعی. پردازش علائم و داده‌ها. 1405; 23 (1) :61-82

URL: http://jsdp.rcisp.ac.ir/article-1-1475-fa.html

تشخیص چندکلاسه بیماری‌های ریوی از روی تصاویر بهبود‌یافته CXR مبتنی بر یادگیری تجمیعی

شهریار محمدی^*

، زهرا تقویان آسیابی

، مهدی باباگلی

دانشگاه خواجه نصیرالدین طوسی

چکیده: (6 مشاهده)

در این مقاله، یک روش نوین طبقه‌بندی چندکلاسه مبتنی بر الگوریتم‌های پیشرفته یادگیری عمیق ارائه شده است. پایگاه داده COVID-19، که شامل مجموعه‌ای از تصاویر CXR عمومی است، برای بررسی تأثیر تکنیک‌های تصویربرداری ساده، بهبودیافته و بخش‌بندی‌شده مورداستفاده قرار گرفته است. علاوه بر این، مزایای بالقوه ترکیب تصاویر بخش‌بندی‌شده-بهبودیافته و بهبودیافته-بخش‌بندی‌شده نیز بررسی شده است. بخش‌بندی ریه با استفاده از مدل U-Net انجام شده، در حالی که بهبود تصاویر CXR ساده و بخش‌بندی‌شده با استفاده از یک شبکه عصبی پیشرفته صورت گرفته است. در مرحله پیش‌پردازش، تصاویر CXR تغییر اندازه داده شده و نرمال‌سازی می‌شوند، سپس به هفت مدل یادگیری انتقالی شامل VGG16، VGG19، ResNet50V2، InceptionV3، MobileNet، InceptionResNetV2 و DenseNet201 ورودی داده می‌شوند. قدرت این مدل‌ها از طریق یک رویکرد گروهی ترکیب شده و چارچوب بهبودیافته پیشنهادی عملکرد برتری را با دقت 97.03 درصد نشان داده و از تحقیقات اخیر موجود پیشی گرفته است.

شماره‌ی مقاله: 5

واژه‌های کلیدی: بیماری های ریوی، ام آر آی، یادگیری تجمیعی، یادگیری انتقالی، پردازش تصویر

متن کامل [PDF 2281 kb] (12 دریافت)

نوع مطالعه: پژوهشي | موضوع مقاله: مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی)
دریافت: 1404/4/2 | پذیرش: 1405/2/15 | انتشار: 1405/3/31 | انتشار الکترونیک: 1405/3/31

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.