تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

چکیده

۱. مقدمه

۲. بررسی آثار

3.مواد و روش‌ ها

3.1. روش پیشنهادی

3.2.مجموعه داده

3.3. ایجاد شبکه عصبی پیچشی

۴. نتایج و مباحث

4.1. نتایج

4.2. بحث

5.نتیجه ‌گیری

مراجع

چکیده

کووید-19 (بیماری کرونا ویروس- ۲۰۱۹) جدیدترین بیماری مرتبط با کرونا ویروس است که از سوی سازمان جهانی بهداشت (WHO) به عنوان بیماری همه گیر اعلام شده است. به علاوه، این بیماری، کل کره زمین را به دلیل ورود سراسر جهان به قرنطینه متوقف کرده و میلیون ها نفر را به کام مرگ کشانده است. هرچند این ویروس میزان تلفات کمی دارد، اما مشکل اینجاست که بسیار مُسری است و در نتیجه افراد زیادی را آلوده کرده و بار زیادی را روی دوش سیستم بهداشت و درمان گذاشته است؛ از این رو، شناسایی کووید-19 در بیماران حیاتی شده‌ است. هدف از انجام تحقیق حاضر این است که با استفاده از تصاویر اشعه ایکس و تصاویر توموگرافی کامپیوتری یا مقطع نگاری رایانه ای (CT) یک راهبرد یادگیری عمیق مبتنی بر شبکه عصبی پیچشی (CNN) ارائه شود تا بتوان نسبت به تشخیص و شناسایی خودکار بیماری کووید-19 اقدام کرد. دو طبقه ‌بندی مختلف را به کمک شبکه های عصبی پیچشی (همگشتی) اجرا کردیم که عبارتند بودند از طبقه ‌بندی دودویی و چند کلاسه. در مجموع، یک مجموعه داده مشتکل از ۳۸۷۷ تصویر سی تی اسکن و اشعه ایکس برای آموزش مدل در طبقه بندی دودویی به کار گرفته شده‌ است که از میان آنها ۱۹۱۷ تصویر متعلق به افراد مبتلا به کووید-19 است. صحت کلی 64/99 درصد، یادآوری (Recall) (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف1 (F-1 score) برابر با 59/99 درصد و ROC (مشخصه عملکرد گیرنده) برابر با۱۰۰ درصد در طبقه ‌بندی دودویی مشاهده شده‌ است. در طبقه ‌بندی چندگانه، مدل با استفاده از کل 6077 تصویر آموزش دیده است که از میان آنها 1917 تصویر به افراد مبتلا به کووید-19، 1960 تصویر به افراد سالم عادی و ۲۲۰۰ تصویر نیز به افراد مبتلا به ذات الریه تعلق دارد. صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد برای طبقه ‌بندی چند کلاسه با استفاده از روش پیشنهادی بدست ‌آمده است. در مجموعه داده‌ موجود اخیر، مدل پیشنهادی ما، نتایج مورد نظر را ارائه نموده و هم چنین می ‌تواند در تشخیص سریع بیماران کووید-19 مثبت به کادر درمان کمک کند.

5.نتیجه ‌گیری

طبق مطالعه جدیدی که به صورت آنلاین در نشریه بیماری‌ های مُسری نوظهور (Emerging Infectious Diseases) منتشر شده‌، کووید-19 دارای مقدار R0 میانه 7/5 است. مقدار 7/5 نشان می ‌دهد که یک فرد مبتلا به کووید-19 نه فقط ۲ تا ۳ نفر مورد انتظار پژوهشگران بلکه توانایی آلوده کردن ۵ تا ۶ نفر را دارد. علاوه بر این، ویروس در حال تکامل است و سویه های متفاوتی از آن نیز در قسمت های مختلف جهان کشف شده اند. این تغییرات روز به روز ویروس را قوی ‌تر کرده و روزانه جان هزاران نفر را می گیرد. براین اساس، با توجه به چندین مورد شیوع در اجتماع، کشورهای مختلفی آلوده شده اند. به همین دلیل، منابع کشور های مختلف رو به اتمام است و کادر درمان به ابزار های تشخیصی برای بررسی موارد احتمالی کووید-19 نیاز دارند. از این رو، مدل‌ های ساده ای را براساس تصاویر اشعه ایکس و سی تی اسکن جهت شناسایی و طبقه ‌بندی موارد ابتلا به کووید-19 درست کرده ایم. مدل‌ های ما مبتنی بر یادگیری عمیق بوده و طبقه بندی دودویی و چند کلاسه را نیز انجام داده ایم. نتایج تجربی طبقه ‌بندی دودویی، صحت کلی 64/99 درصد، یادآوری (یا حساسیت) 58/99 درصد، دقت 56/99 درصد، امتیاز اف 1 به میزان درصد و ROC برابر با ۱۰۰ درصد را نشان می دهد. هم چنین، نتایج تجربی طبقه ‌بندی‌ های چندگانه نمایانگر صحت 28/98 درصد، یادآوری (یا حساسیت) 25/98 درصد، دقت 22/98 درصد، امتیاز اف 1 به میزان 23/98 درصد و ROC برابر با 87/99 درصد است. مدل های ما از نظر معیارهای عملکردی و هم چنین مجموعه داده‌ ها از اکثر روش های موجود پیشی گرفتند. ثابت شده است که این روش می ‌تواند در حالت اضطراری مفید واقع شود. از این گذشته، مدل های ما در مجموعه داده‌ های فعلی کارآمد شناخته شده اند. با این حال، هنوز نیازمند مطالعه بالینی و آزمایش است.

Abstract

Covid-19 (Coronavirus Disease-2019) is the most recent coronavirus-related disease that has been announced as a pandemic by the World Health Organization (WHO). Furthermore, it has brought the whole planet to a halt as a result of the worldwide introduction of lockdown and killed millions of people. While this virus has a low fatality rate, the problem is that it is highly infectious, and as a result, it has infected a large number of people, putting a strain on the healthcare system, hence, Covid-19 identification in patients has become critical. The goal of this research is to use X-rays images and computed tomography (CT) images to introduce a deep learning strategy based on the Convolutional Neural Network (CNN) to automatically detect and identify the Covid-19 disease. We have implemented two different classifications using CNN, i.e., binary and multiclass classification. A total of 3,877 images dataset of CT and X-ray images has been utilised to train the model in binary classification, out of which the 1,917 images are of Covid-19 infected individuals . An overall accuracy of 99.64%, recall (or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100% has been observed for the binary classification. For multiple classifications, the model has been trained using a total of 6,077 images, out of which 1,917 images are of Covid-19 infected people, 1,960 images are of normal healthy people, and 2,200 images are of pneumonia infected people. An accuracy of 98.28%, recall (or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87% has been achieved for the multiclass classification using the proposed method. On the currently available dataset, the our proposed model produced the desired results, and it can assist healthcare workers in quickly detecting Covid-19 positive patients.

5. Conclusion

Covid-19 has a median R0 of 5.7, according to a new study published online in Emerging Infectious Diseases. The 5.7 indicates that one person infected with Covid-19 has the ability to infect 5 to 6 people, rather than the 2 to 3 expected by researchers. Not only that, but the virus is evolving, and different types of strains have been discovered in different parts of the world. These changes are making the virus stronger by the day, and thousands of people are dying every day. As a result, several countries have been affected, with several incidents of community spread. Due to this, various countries are running out of resources and healthcare workers require diagnostic tools to investigate cases of potential Covid-19. Hence, we have developed simple models based on Xrays and CTs to detect and classify the Covid-19 cases. Our models are deep learning-based, and we’ve done binary and multiclass classification. The experimental results for binary classification show an overall accuracy of 99.64%, recall(or sensitivity) of 99.58%, the precision of 99.56%, F1-score of 99.59%, and ROC of 100%. The experimental results for multiple classifications show an accuracy of 98.28%, recall(or sensitivity) of 98.25%, the precision of 98.22%, F1-score of 98.23%, and ROC of 99.87%. In terms of performance measurements as well as dataset, our models exceeded the majority of existing approaches. This method can prove to be very helpful in case of an emergency. Our models proved to be efficient on the current dataset. However, it still needs clinical study and testing.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص و طبقه بندی خودکار مبتنی بر اشعه ایکس و سی تی اسکن covid-19 با شبکه های عصبی کانولوشن (CNN)

X-ray and CT-scan-based automated detection and classification of covid-19 using convolutional neural networks (CNN)

پیشرفت های جدید در زیست حسگرهای الکتروشیمیایی مبتنی بر نانولوله کربنی

Recent advances in carbon nanotube based electrochemical biosensors

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیشرفت های جدید در زیست حسگرهای الکتروشیمیایی مبتنی بر نانولوله کربنی

Recent advances in carbon nanotube based electrochemical biosensors

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

مطالعه مدل اسکلتی-عضلانی فعال و غیرمستقیم برای ارزیابی توزیع بار L4-L5

A combined passive and active musculoskeletal model study to estimate L4-L5 load sharing

چکیده

1 مقدمه

2 روش کار

1- 2 مدل MS

2- 2 مدل FE غیرفعال

3- 2 اعتبارسنجی

4- 2 تطبیق مدل FE غیرفعال با MS

5- 2 فعالیت های شبی ‌سازی شده

3- نتایج

1-3 تایید مدل FE غیرفعال

2-3 پیش‌بینی هایی برای فعالیت های in vivo

4 بحث

1- 4 محدودیت‌ها

2- 4 اعتبارسنجی

3- 4 توزیع بار میان ساختارهای مختلف

4- 4 FL معادل

چکیده

تعدادی از مدل‌های المان متناهی (FE) غیرفعال و دقیق از نظر هندسی برای ستون فقرات کمری تولید شده و در شرایط بارگذاری in vitro تایید شده‌اند. این مدل‌ها فاقد ماهیچه‌ها هستند و بنابراین نمی‌توانند مستقیما برای شبیه‌سازی‌های بارگذاری در شرایط in vivo برای ساختارهای مفصل کمری یا ایمپلنت‌های ستون فقرات مورد استفاده قرار گیرند. بارهای گرانشی و نیروهای عضلانی تخمین زده شده با یک مدل اسکلتی عضلانی (MS) تنه تحت دوازده فعالیت استاتیک بر روی مدل FE غیرفعال بندهای L4-L5 اعمال شدند تا توزیع بار میان ساختارهای مفصل (دیسک، رباط‌ها و مفاصل بین مهره‌ای) تحت شرایط شبیه‌سازی شده‌ی بارگذاری in vivo تخمین زده شود. یک دنبال کننده‌ی معادل (FL) که IDP معادل با IDP تولید شده توسط نیروهای عضلانی ایجاد می‌کند، در هر فعالیت محاسبه شد. نتایج نشان دادند که تحت شرایط بارگذاری in vivo، مدل غیرفعال FE فشارهای بین دیسکی (IDPs) را پیش بینی‌ می‌کنند که تطابق بالایی با IDP اندازه‌گیری شده در فعالیت‌های شبیه‌سازی شده دارند (98/0=R2 و خطای مربع میانگین ریشه یا RMSE= 18/0 مگاپاسکال). FL معادل محاسبه شده به خوبی با نیروی حاصل تمام نیروهای عضلانی و بارهای گرانشی عامل بر روی بند L4-L5 مقایسه شد (99/0=R2 و N 58= RMSE). بنابراین، این FL بعنوان رویکردی جایگزین به منظور ارائه‌ی شرایط بارگذاری in vivo در مطالعات مدل غیرفعال FE می‌تواند توسط مدل‌های تجاری یا خانگی MS تخمین زده شود. در کاربردهای بالینی و طراحی ایمپلنت‌ها روش معمول شرایط بارگذاری in vitro بر مدل‌های FE غیرفعال بطور مناسب شرایط بارگذاری in vivo را تحت اعمال نیروی عضلانی نشان نمی‌دهد. بنابراین باید از شرایط بارگذاری in vivo حقیقی‌تری استفاده کرد.

3- 4 توزیع بار میان ساختارهای مختلف
تخمین تقسیم‌بندی بار و همچنین فشارها و کشش‌های سطح بافت تحت بارهای in vivo اجازه‌ی ارزیابی دقیق خطر آسیب را در مقایسه با آستانه‌ی شکست در انواع مختلف را می‌دهد. بعنوان مثال با اینکه خطر آسیب به دیسک و مفاصل بین مهره‌ای در فعالیت‌های بارگذاری شده (IDP و نیروهای مفاصل بین مهره‌ای بالاتر در فعالیت‌های بالا بردن متقارن و نامتقارن را با این نیروها در موقعیت ایستادن طبیعی مقایسه کنید) افزایش می‌یابد، اما خطر آسیب به رباط‌های خلفی در فعالیت‌های بارگذاری شده کاهش می‌یابد (نیروهای رباطی کوچکتر در فعالیت‌های بالابردن متقارن/نامتقارن را با نیروهایی موقعیت ایستادن طبیعی مقایسه کنید) (جدول 2 و تصویر 7). علاوه بر این، با اینکه خطر آسیب به رباط‌های خلفی و دیسک‌ها با افزایش زاویه‌ی فلکشن تنه افزایش می‌یابد، اما مفاصل بین مهره‌ای در این فعالیت‌ها بهبود می‌یابند.

Abstract

A number of geometrically-detailed passive finite element (FE) models of the lumbar spine have been developed and validated under in vitro loading conditions. These models are devoid of muscles and thus cannot be directly used to simulate in vivo loading conditions acting on the lumbar joint structures or spinal implants. Gravity loads and muscle forces estimated by a trunk musculoskeletal (MS) model under twelve static activities were applied to a passive FE model of the L4-L5 segment to estimate load sharing among the joint structures (disc, ligaments, and facets) under simulated in vivo loading conditions. An equivalent follower (FL), that generates IDP equal to that generated by muscle forces, was computed in each task. Results indicated that under in vivo loading conditions, the passive FE model predicted intradiscal pressures (IDPs) that closely matched those measured under the simulated tasks (R2 = 0.98 and root-mean-squared-error, RMSE = 0.18 MPa). The calculated equivalent FL compared well with the resultant force of all muscle forces and gravity loads acting on the L4-L5 segment (R2 = 0.99 and RMSE = 58 N). Therefore, as an alternative approach to represent in vivo loading conditions in passive FE model studies, this FL can be estimated by available in-house or commercial MS models. In clinical applications and design of implants, commonly considered in vitro loading conditions on the passive FE models do not adequately represent the in vivo loading conditions under muscle exertions. Therefore, more realistic in vivo loading conditions should instead be used.

4-3 Load sharing between different structures

Estimation of load partitioning as well as tissue level stresses and strains under in vivo loads allows for a more accurate evaluation of risk of injury when compared to failure threshold of various. For instance, while risk of injury to the disc and facets increased in loaded (more demanding) activities (compare higher IDP and facet forces in symmetric/asymmetric lifting tasks with those in the neutral standing posture), risk of injury to the posterior ligaments reduced in loaded tasks (compare smaller ligament forces in symmetric/asymmetric lifting tasks with those in the neutral standing posture) (Table 2 and Fig. 7). Moreover, while risk of injury to the posterior ligaments and discs increased with the trunk flexion angle, facets were relieved in these tasks.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مطالعه مدل اسکلتی-عضلانی فعال و غیرمستقیم برای ارزیابی توزیع بار L4-L5

A combined passive and active musculoskeletal model study to estimate L4-L5 load sharing