مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 22 4 2025 6 3 Proposing a Deep Learning Based Solution for Detecting Suspicious Cases of COVID-19 ارائه راهکاری مبتنی بر یادگیری عمیق به منظور تشخیص موارد مشکوک به کووید 19 295 303 fa آتنا عبیدی دانشگاه آزاد اسلامی هانیه محمودی دانشگاه آزاد اسلامی مشهد زهرا حیدران داروقه امنیه دانشگاه آزاد اسلامی اصفهان ایمان ذباح دانشگاه آزاد تربت حیدریه 2023 7 14 <p style="direction: ltr;">Deep neural networks are used in the detection of diseases and medical tasks due to their power and capability in extracting complex features and non-linear relationships. Following the emergence of COVID-19, deep learning approaches have been introduced as a powerful approach in diagnosing this disease. In some cases, data mining-based methods cannot definitively diagnose COVID-19 due to their lack of appropriate generalizability on the data. The aim of this research is to propose a solution to improve the diagnostic results in suspicious COVID-19 images.</p> <p style="direction: ltr;">In this study, after diagnosing the disease using two deep networks, GoogleNet and AlexNet, the probability layer of the two learned networks is extracted, and the suspicious cases of the disease are identified. Then, the top features extracted from the two deep learners are combined and sent to a perceptron neural network for the diagnosis of suspicious cases. The extraction of the best features was performed using principal component analysis. The study database includes 224 CT scan images of COVID-19-infected lungs and 522 lung images of healthy individuals, obtained from the GitHub repository. The study results indicate that the aggregation of deep learners in the probability layer can lead to a 98.1% improvement in the diagnosis of COVID-19 in suspicious cases.</p> <p>شبکه&zwnj;های عمیق به دلیل توانمندی در استخراج ویژگی&zwnj;های پیچیده و ارتباطات غیرخطی، برای تشخیص بیماری&zwnj;ها و وظایف پزشکی مورد استفاده قرار می&zwnj;گیرند. پس از ظهور بیماری کووید 19، یادگیرهای عمیق به عنوان رویکرد&zwnj;ی قدرتمند در حوزه تشخیص این بیماری مطرح شده&zwnj;اند. در برخی موارد، متدهای مبتنی بر داده&zwnj;کاوی نمی&zwnj;توانند کووید 19 را به&zwnj;طور قطعی تشخیص دهند که دلیل آن، عدم قابلیت تعمیم مناسب روی داده&zwnj;هاست. هدف از این پژوهش ارائه راهکاری به منظور بهبود نتیجه تشخیص در تصاویر مشکوک به کووید 19 است.&nbsp;در این پژوهش پس از تشخیص بیماری با استفاده از دو شبکه عمیق گوگل و الکس، لایه احتمالی دو یادگیر استخراج شده و موارد مشکوک به بیماری شناسایی می&zwnj;شوند. سپس برترین ویژگی&zwnj;های مستخرج از دو یادگیر عمیق ترکیب شده و به یک شبکه عصبی پرسپترون جهت تشخیص موارد مشکوک ارسال می&zwnj;گردد. استخراج بهترین ویژگی&zwnj;ها توسط روش تحلیل مؤلفه اصلی صورت گرفته است. پایگاه داده مورد مطالعه، شامل 224 تصویر سی&zwnj;تی&zwnj;اسکن ریه مبتلا به کووید 19 و 522 تصویر ریه افراد سالم می&zwnj;باشد که از مرجع گیت&zwnj;هاب تهیه شده است. نتایج آزمون&zwnj;ها مبين آن است که تجمیع یادگیرهای عمیق در لایه احتمالی می&zwnj;تواند منجر به بهبود تشخیص کووید 19 در موارد مشکوک به میزان 1_/98% شود.</p> http://ijece.org/ar/Article/Download/43241