دانلود ترجمه مقاله شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 (اسپرینگر ۲۰۲۱) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

springer4

 

 

این مقاله انگلیسی ISI در نشریه اسپرینگر در ۲۰ صفحه در سال ۲۰۲۱ منتشر شده و ترجمه آن ۱۴ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

عنوان انگلیسی مقاله:

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf و ورد تایپ شده با قابلیت ویرایش
سال انتشار مقاله ۲۰۲۱
تعداد صفحات مقاله انگلیسی ۱۴ صفحه با فرمت pdf
نوع مقاله ISI
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر و پزشکی
گرایش های مرتبط با این مقاله هوش مصنوعی، مهندسی نرم افزار، مهندسی الگوریتم ها و محاسبات، پرتو شناسی و رادیولوژی
چاپ شده در مجله (ژورنال) محاسبات شناختی – Cognitive Computation
کلمات کلیدی کووید۱۹، اشعه ایکس قفسه سینه، یادگیری عمیق، شبکه عصبی کانولوشن، غربالگری انبوه
کلمات کلیدی انگلیسی COVID-19 – Chest X-rays – Deep learning – Convolutional neural network – Mass screening
ارائه شده از دانشگاه گروه علوم کامپیوتر، دانشگاه ایالتی بنگال غربی، کلکته، هند
نمایه (index) scopus – master journals – JCR
نویسندگان Himadri Mukherjee – Subhankar Ghosh – Ankita Dhar – Sk Md Obaidullah – K. C. Santosh4·Kaushik Roy
شناسه شاپا یا ISSN ۱۸۶۶-۹۹۵۶
شناسه دیجیتال – doi https://doi.org/10.1007/s12559-020-09775-9
ایمپکت فاکتور(IF) مجله ۵٫۴۷۰ در سال ۲۰۲۰
شاخص H_index مجله ۴۳ در سال ۲۰۲۱
شاخص SJR مجله ۱٫۱۶۵ در سال ۲۰۲۰
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۲۰
بیس  است 
مدل مفهومی دارد 
پرسشنامه  ندارد 
متغیر دارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۱۷۵۵
لینک مقاله در سایت مرجع لینک این مقاله در سایت Springer
نشریه اسپرینگر

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۲۰ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه شده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد  
ترجمه پاورقی ندارد 
درج تصاویر در فایل ترجمه درج شده است 
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  تایپشده است
منابع داخل متن به صورت عدد درج شده است
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده
مقدمه
مواد و روش‌ها
جمع‌آوری داده‌ها
شبکه عصبی کانولوشن کم عمق
آزمایشات
نتایج در مجموعه داده متعادل
نتایج در مجموعه داده نامتعادل
بحث‌ و گفتگو
نتیجه‌گیری و کارهای آینده
منابع

 

بخشی از ترجمه

چکیده

در میان داده‌های تصویربرداری رادیولوژی، عکسبرداری اشعه ایکس قفسه سینه (CXR) در مشاهده بروز کووید ۱۹ بسیار استفاده می‌شود. برای غربالگری انبوه، استفاده از CXR، یک ابزار مبتنی بر هوش مصنوعی محاسباتی کارآمد، برای تشخیص موارد مثبت کووید ۱۹ از موارد غیر کووید ضروری است. به این منظور، یک شبکه عصبی کانولوشن سبک وزن (CNN) با معماری کم عمق متناسب ارائه داده ایم که با استفاده از CXR موارد مثبت کووید ۱۹ را بدون منفی کاذب بطور خودکار تشخیص می‌دهد. معماری کم عمق CNN در مقایسه با سایر مدل‌های یادگیری عمیق با پارامترهای کمتری طراحی شده است. معماری متناسب با CNN کم عمق با استفاده از CXRهای ۳۲۱ مورد مثبت کووید تأیید شد. علاوه بر موارد مثبت کووید ۱۹، مجموعه دیگری از ۵۸۵۶ مورد غیرکووید ۱۹ (در دسترس عموم، منبع: کاگل) در نظر گرفته شد که شامل موارد ذات الریه عادی، ویروسی و باکتریایی است. در آزمونهای آزمایشی ما، برای جلوگیری از جهت‌گیری احتمالی، اعتبارسنجی ۵ برابر دنبال شد و از هر دو مجموعه داده متعادل و نامتعادل استفاده شد. مدل پیشنهادی بالاترین دقت ممکن ۹۹٫۶۹٪، را با حساسیت ۱٫۰ به دست آورد، جایی که AUC، ۹۹۹۵/۰ بود. بعلاوه، میزان مثبت کاذب گزارش شده برای ۵۸۵۶ مورد منفی کووید۱۹ فقط ۰۰۱۵/۰ بود. نتایج ما اظهار داشت که CNN پیشنهادی می‌تواند برای غربالگری انبوه استفاده شود. با استفاده از مجموعه دقیقاً مشابه مجموعه CXR، نتایج فعلی بهتر از سایر مدل‌های یادگیری عمیق و کارهای پیشرفته اصلی بود.

مقدمه

در دسامبر سال ۲۰۱۹، بیماری جدید ویروس کرونا (COVID – 19) در استان ووهان چین یافت شد https://www.who.int/docs/default-source/coronaviruse/who – china-joint-mission-on-covid-19-final-report.pdf [1]. برخلاف سرماخوردگی و آنفولانزا، کووید۱۹ بسیار مسری تر است و برای سیستم ایمنی بدن انسان کاملاً ناشناخته است. به بیان دقیق‌تر، سندرم تنفسی بسیار حاد (SARS) و سندرم تنفسی خاورمیانه (MERS) دو بیماری شناخته شده ویروس کرونا هستند که به ترتیب ۱۰ و ۳۷ درصد مرگ و میر زیادی دارند [۲، ۳]. هم اکنون، کووید ۱۹ بیش از ۶،۰۵۷،۸۵۳ نفر را مبتلا کرده است که بیش از ۳۷۱،۱۶۶ مورد مرگ در سراسر جهان دارند (تاریخ، ۰۱ ژوئن، ۲۰۲۰) [۸]. نرخ شیوع کووید۱۹ نمایی است و سریعتر از سایر بیماریهای مربوط به تنفس است. امروزه محققان برای پیش بینی عواقب احتمالی با استفاده از ابزارهایی که توسط هوش مصنوعی هدایت می‌شوند، به داده‌های کمی محدود شده‌اند.

نتیجه‌گیری و کارهای آینده

به طور کلی، در این مقاله، یک معماری کم عمق متناسب با CNN کم وزن را برای تشخیص موارد مثبت کووید ۱۹ با استفاده از CXR‌ها در برابر موارد غیر کووید ۱۹ پیشنهاد شده است. این آزمایشات بر روی مجموعه داده CXR‌های کویید ۱۹ مثبت، ذات‌الریه – مثبت و سالم انجام شد. برای تأیید دقت، از پروتکل اعتبار سنجی ۵ برابر در هر دو سناریوی مجموعه داده متعادل و نامتعادل استفاده شد که در آن ۳۲۱ مورد مثبت کووید ۱۹ استفاده شده است. با استفاده از (الف) ابزارهای محبوب DL، مانند MobileNet، InceptionV3 و ResNet50، معماری متناسب CNN پیشنهادی را مقایسه کرده ایم. و (ب) کارهای پیشرفته تشخیص COVID – 19 با استفاده از CXR‌ها، در نظر گرفته شود. مدل پیشنهادی بهتر از همه بوده و از نظر محاسباتی کارآمد است زیرا به تعداد پارامترهای کمتری نیاز دارد. چون معماری CNN کم عمق پیشنهادی منفی کاذب ندارد، می‌توان از آن برای غربالگری موارد مثبت کووید ۱۹ در اشعه X قفسه سینه استفاده کرد.

در آینده، معماری شبکه با هدف به حداقل رساندن موارد مثبت کاذب، بررسی می‌شود. همچنین قصد داریم داده‌ها را اضافه کنیم که به ما کمک می‌کند تا از مشکلی که در حال حاضر با آن روبرو هستیم، یعنی کمبود داده کافی، جلوگیری کنیم.

 

بخشی از مقاله انگلیسی

Abstract

Among radiological imaging data, Chest X-rays (CXRs) are of great use in observing COVID-19 manifestations. For mass screening, using CXRs, a computationally efficient AI-driven tool is the must to detect COVID-19-positive cases from non-COVID ones. For this purpose, we proposed a light-weight Convolutional Neural Network (CNN)-tailored shallow architecture that can automatically detect COVID-19-positive cases using CXRs, with no false negatives. The shallow CNN-tailored architecture was designed with fewer parameters as compared to other deep learning models. The shallow CNN-tailored architecture was validated using 321 COVID-19-positive CXRs. In addition to COVID-19-positive cases, another set of non-COVID-19 5856 cases (publicly available, source: Kaggle) was taken into account, consisting of normal, viral, and bacterial pneumonia cases. In our experimental tests, to avoid possible bias, 5-fold cross-validation was followed, and both balanced and imbalanced datasets were used. The proposed model achieved the highest possible accuracy of 99.69%, sensitivity of 1.0, where AUC was 0.9995. Furthermore, the reported false positive rate was only 0.0015 for 5856 COVID-19-negative cases. Our results stated that the proposed CNN could possibly be used for mass screening. Using the exact same set of CXR collection, the current results were better than other deep learning models and major state-of-the-art works.

Introduction

In December 2019, the novel coronavirus disease (COVID-19) was found in Wuhan Province of China https://www.who.int/docs/default-source/coronaviruse/who -china-joint-mission-on-covid-19-final-report.pdf [1].Unlike the common cold and flu, COVID-19 is much more contagious, and for human’s immune system, it is an absolute unknown. To be more specific, severe acute respiratory syndrome (SARS) and Middle East respiratory syndrome (MERS) are two well-known coronavirus diseases, which have huge mortality rates of 10% and 37%, respectively [2, 3]. As of now, COVID-19 affected more than 6,057,853 people with more than 371,166 death cases across the world (dated, June 01, 2020) [8]. The COVID-19 outbreak spread rate is exponential and is faster than other respiratory-related diseases. Researchers are now limited to small amount of data to predict possible consequences using AI-driven tools.

Conclusion and Future Works

On the whole, in this paper, a light-weight CNN-tailored shallow architecture was proposed to detect COVID-19- positive cases using CXRs against non-COVID-19 ones. The experiments were performed on dataset collection of COVID19-positive, pneumonia-positive, and healthy CXRs. To validate its robustness, 5-fold cross-validation protocol was used on both balanced and imbalanced dataset scenarios, where 321 COVID-19-positive cases were used. We have compared the proposed shallow CNN-tailored architecture by taking (a) popular DL tools, such as MobileNet, InceptionV3, and ResNet50; and (b) state-of-the-art works for COVID-19 detection using CXRs, into account. The proposed model outperformed all and is computationally efficient as it requires less number of parameters. As the proposed shallow CNNtailored architecture has no false negatives, it could be used to screen COVID-19-positive cases in chest X-rays.

In future, the network architecture will be explored, aiming to minimize false positive cases. We also plan to augment data that helps avoid an issue we currently face, i.e., lack of sufficient data.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

شبکه عصبی کانولوشن کم عمق برای غربالگری شیوع COVID-19 با عکسبرداری اشعه ایکس قفسه سینه

عنوان انگلیسی مقاله:

Shallow Convolutional Neural Network for COVID-19 Outbreak Screening Using Chest X-rays

 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *