كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / یازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

بهینه‌سازی تشخیص کووید-۱۹ از تصاویر رادیوگرافی با استفاده از نقشه‌های خودسازمان‌ده: یک رویکرد کارآمد در سیستم‌های سلامت هوشمند

نویسندگان :

سیده آیلار سیدی¹ ملینا مشیری²

1- دانشگاه علم و صنعت ایران 2- دانشگاه علم و صنعت ایران

کلمات کلیدی :

کووید-۱۹،نقشه‌های خودسازمان‌ده (SOM)،شبکه عصبی کانولوشنی (CNN)،تصاویر رادیوگرافی قفسه سینه،خوشه‌بندی،سیستم‌های سلامت هوشمند

چکیده :

تحلیل تصاویر پزشکی، به‌ویژه در شرایطی که داده‌های برچسب‌خورده محدود هستند و جمع‌آوری آن‌ها پرهزینه یا دشوار است. یکی از چالش‌های مهم در توسعه سامانه‌های تشخیصی خودکار و ابزارهای پشتیبان تصمیم‌‌گیری محسوب می‌شود. این پژوهش با هدف ارزیابی و مقایسه کارایی دو رویکرد یادگیری ماشین برای طبقه‌بندی تصاویر رادیوگرافی قفسه سینه بیماران کووید-۱۹ و غیر کووید طراحی و اجرا شد. در این مطالعه، ۸۰۰ تصویر با برچسب‌گذاری مشخص به‌عنوان داده ورودی به کار گرفته شد و دو روش متفاوت بررسی شدند: نقشه‌های خودسازمان‌دهی (SOM) به عنوان الگوریتمی مبتنی بر خوشه‌بندی بدون‌نظارت و شبکه عصبی کانولوشنی (CNN) به عنوان مدل یادگیری عمیق نظارت‌شده. نتایج نشان داد که مدل SOM با استفاده از استخراج ویژگی‌های آماری ساده و فرآیند خوشه‌بندی، به دقت کلی ۸۹٪ و تعادل مناسب در شاخص‌های دقت، بازخوانی و امتیاز F1 دست یافت، در حالی که CNN دقت کلی ۸۰٪ را ثبت کرد. این نتایج بیانگر پتانسیل بالای روش‌های سبک و تفسیرپذیر مانند SOM برای کمک به تشخیص پزشکی در شرایط کمبود داده است و می‌تواند مبنایی برای توسعه سامانه‌های پشتیبان تصمیم‌‌گیری در محیط‌های بالینی با منابع محدود باشد.