تشخیص کووید-19 مبتنی بر یادگیری انتقالی متخاصم چند منبعی و تابع خطای مرکزی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

2 دانشکده مهندسی برق و کامپیوتر، دانشگاه تبریز، تبریز، ایران

چکیده

در سال‌های اخیر، از تکنیک‌های یادگیری عمیق به‌وفور برای تشخیص کووید با استفاده از تصاویر پزشکی استفاده می‌شود. با این حال در تشخص بیماری کووید 19 به دلیل داده‌های ناکافی، آموزش مدل به‌درستی انجام نمی‌شود و در نتیجه‌ی آن تعمیم‌پذیری مدل کاهش می‌یابد. برای پرداختن به این مسئله، می‌توان داده‌های چندین منبع مختلف را با استفاده از یادگیری انتقالی ترکیب کرد. در این مقاله برای بهبود کیفیت انتقال بین چند منبع داده، ما یک مدل یادگیری انتقالی متخاصم چند منبعی را پیشنهاد می‌کنیم. در این روش شبکه هم‌زمان با تلاش برای دسته‌بندی صحیح داده‌ها، سعی در هر چه شبیه‌تر ساختن ویژگی‌های مجموعه‌داده‌ی مبدأ و مقصد به یکدیگر را دارد تا نتایج یکسانی از نظر کمی و کیفی حاصل شود. همچنین در روش پیشنهادی از تابع خطای مرکزی برای آموزش مدل استفاده می‌کنیم. استفاده از تابع خطا‌ی مرکزی به تمییز هرچه بهتر کلاس‌ها از یکدیگر کمک شایانی می‌کند. ارزیابی روش پیشنهادی با بررسی سناریوهای مختلف انتقال با دو مجموعه‌داده SARS-CoV-2 CT Scan و COVID19-CT با تعداد محدود تصاویر انجام گرفته و با نتایج سایر الگوریتم‌های موفق مقایسه می‌شود. روش پیشنهادی به‌ازای معیارهای accuracy، precision، recall و F1 به بهبود 2، 15، 15 و 8 درصدی نسبت به بهترین نتایج سایر روش‌های مقایسه شده، دست یافته است. کد پیاده‌سازی روش پیشنهادی در آدرس گیت‌هاب زیر در دسترس است:
https://github.com/HadiAlhares/Covid19

کلیدواژه‌ها