ترجمه تخصصی ارزان مقاله ENResNet: یک شبکه عصبی باقیمانده جدید برای تشخیص COVID-19 بر اساس تقویت تصویر اشعه ایکس قفسه سینه (الزویر 2022)

ارسال توسط وب‌رویا در 2021, الزویر Elsevier, انفورماتیک پزشکی, پژوهشی, فناوری اطلاعات و کامپیوتر, مقالات کووید-19, هوش مصنوعی, هوش مصنوعی در پزشکی

ترجمه تخصصی ارزان مقاله ENResNet: یک شبکه عصبی باقیمانده جدید برای تشخیص COVID-19 بر اساس تقویت تصویر اشعه ایکس قفسه سینه (الزویر 2022)

ترجمه فارسی چکیده مقاله:

اخیراً مردم در سراسر جهان در برابر تأثیر همه‌گیر ویروس کرونا آسیب‌پذیر شده‌اند. به دلیل جهش ژنی ثابت ویروس، تشخیص تصویر اشعه ایکس قفسه سینه (CXR) آلوده به ویروس در مراحل اولیه بسیار دشوار است. همچنین تمایز بین ذات الریه معمول از مورد مثبت COVID-19 سخت است زیرا هر دو علائم مشابهی دارند. این مقاله یک طرح بهبود مبتنی بر شبکه باقی‌مانده اصلاح‌شده (ENResNet) را برای شفاف‌سازی بصری اختلال ذات‌الریه COVID-19 از تصاویر CXR و طبقه‌بندی COVID-19 تحت چارچوب یادگیری عمیق پیشنهاد می‌کند. در مرحله اول، تصویر باقیمانده با استفاده از شبکه عصبی کانولوشنال باقیمانده از طریق نرمال سازی دسته‌ای مربوط به هر تصویر تولید شده است. در مرحله دوم، یک ماژول از طریق نقشه نرمال شده با استفاده از وصله‌ها و تصاویر باقیمانده به‌عنوان ورودی ساخته شده است. خروجی شامل تصاویر باقیمانده و تکه‌های هر ماژول به ماژول بعدی وارد می‌شود و این کار برای هشت ماژول متوالی ادامه می‌یابد. یک نقشه ویژگی از هر ماژول تولید می‌شود و CXR پیشرفته نهایی از طریق فرآیند نمونه‌برداری بالا تولید می‌شود. علاوه بر این، ما یک مدل ساده CNN برای تشخیص خودکار COVID-19 از تصاویر CXR در پرتو عملکرد «از دست دادن چند مدت» و طبقه‌بندی کننده «softmax» به روش بهینه طراحی کرده‌ایم. مدل پیشنهادی نتایج بهتری را در تشخیص طبقه‌بندی باینری (COVID در مقابل نرمال) و طبقه‌بندی چند طبقه (COVID در مقابل پنومونی در مقابل نرمال) در این مطالعه نشان می‌دهد. ENResNet پیشنهادی به ترتیب به دقت طبقه‌بندی 99.7% و 98.4% برای طبقه‌بندی باینری و تشخیص چند کلاسه در مقایسه با روش‌های پیشرفته دست می‌یابد.

کلید واژه‌ها: کووید -19، افزایش کیفیت عکس، تصویر اشعه ایکس قفسه سینه، یادگیری عمیق، ResNet، پنومونی

 

عنوان مقاله انگلیسی:

ENResNet: A novel residual neural network for chest X-ray enhancement based COVID-19 detection

چکیده مقاله انگلیسی:

Recently, people around the world are being vulnerable to the pandemic effect of the novel Corona Virus. It is very difficult to detect the virus infected chest X-ray (CXR) image during early stages due to constant gene mutation of the virus. It is also strenuous to differentiate between the usual pneumonia from the COVID-19 positive case as both show similar symptoms. This paper proposes a modified residual network based enhancement (ENResNet) scheme for the visual clarification of COVID-19 pneumonia impairment from CXR images and classification of COVID-19 under deep learning framework. Firstly, the residual image has been generated using residual convolutional neural network through batch normalization corresponding to each image. Secondly, a module has been constructed through normalized map using patches and residual images as input. The output consisting of residual images and patches of each module are fed into the next module and this goes on for consecutive eight modules. A feature map is generated from each module and the final enhanced CXR is produced via up-sampling process. Further, we have designed a simple CNN model for automatic detection of COVID-19 from CXR images in the light of ‘multi-term loss’ function and ‘softmax’ classifier in optimal way. The proposed model exhibits better result in the diagnosis of binary classification (COVID vs. Normal) and multi-class classification (COVID vs. Pneumonia vs. Normal) in this study. The suggested ENResNet achieves a classification accuracy 99.7% and 98.4% for binary classification and multi-class detection respectively in comparison with state-of-the-art methods.

Keywords: COVID-19, Image enhancement, Chest X-ray image, Deep learning, ResNet, Pneumonia

 

مشخصات فایل مقاله انگلیسی

تعداد صفحات مقاله: 14

تاریخ انتشار مقاله: 2022

نشریه: الزویر

فرمت فایل: pdf

حجم فایل: 9/53KB

لینک دانلود رایگان مقاله انگلیسی:

یک شبکه عصبی باقیمانده جدید برای تشخیص COVID-19 بر اساس تقویت اشعه ایکس قفسه سینه

 

سفارش ترجمه این مقاله

مبلغ قابل پرداخت برای ثبت سفارش 50% از مبلغ کل سفارش است. پس از آماده شدن ترجمه باقی مبلغ پرداخت گردیده و امکان دانلود ترجمه صورت می‌گیرد.

سفارش ترجمه

مبلغ کامل ترجمه: 50000 تومان

 

ترجمه این مقاله تا 12 روز کاری پس از ثبت سفارش آماده تحویل می‌شود.

 

فعلا امکان ارسال دیدگاه برای این پست وجود ندارد.