رکوردهای مرتبط با این شخص

تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی (1401) / آسادوریان ، نازه، نویسنده

نوع مدرک: متون چاپی سرشناسه آسادوریان ، نازه، نویسنده رده‌بندی کنگره : ‭COM soft ‭69 عنوان : تشخیص بیماری کووید19- از تصاویر سی تی قفسه سینه با استفاده از یادگیری انتقالی عنوان موازی : Covid-19 Detection from Chest CT Scans Using Transfer Learning Approach ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 75ص شابک/شاپا 24905 یادداشت کارشناسی ارشد:رشته مهندسی کامپیوتر گرایش نرم افزار کامپیوتر شناسه افزوده : شیرزادفر ، حمیدرضا، استاد راهنما یراقی ، شکوفه، استاد مشاور توصیفگرها یادگیری انتقالی، بیماری کووید،19- تصاویر سی تی قفسه سینه، شبکه عصبی کانولوشن، یادگیری عمیق  : Transfer Learning, Covid-19 Disease, Chest CT Scans, Convolutional Neural Network, Deep Learning چکیده : کووید19-)-2COV-SARS)که باعث سندرم حاد تنفسی می شود، یک بیماری مسری و کشنده است که اثرات مخربی بر جامعه و زندگی انسان دارد و به طور قابل توجهی بر اقتصاد جهان تأثیر گذاشته است. کووید- 19 می تواند عوارض جدی به خصوص در بیماران با مشکالت سالمت زمینهای مانند دیابت، فشار خون باال، سرطان ریه، سیستم ایمنی ضعیف و افراد مسن ایجاد کند. حیاتی ترین گام در مبارزه با کووید19- تشخیص سریع بیماران مبتال است. تصاویر سی تی قفسه سینه و کیتهای تشخیصی PCR-RT اغلب برای تشخیص بیماری استفاده می شوند. با این حال، به دلیل مشکالتی مانند ناکافی بودن کیتهای تست PCR-RT ، نتایج منفی کاذب در مراحل اولیه بیماری، زمانبر بودن بررسی تصاویر پزشکی بهدستآمده از تکنیکهای تصویربرداری سی تی قفسه سینه توسط متخصصان و پزشکان و افزایش حجم کار بر روی متخصصان، شناسایی کووید19- چالش برانگیز است. بنابراین، محققان جستجوی روشهای جدید در تشخیص کووید- 19 را پیشنهاد کردهاند. روش های یادگیری عمیق روشی سریع و دقیق در تشخیص این بیماری نظر گرفته شدهاند. پیشرفتهای اخیر در فناوری و در دسترس بودن روشهای یادگیری عمیق در تشخیص کووید19- با دقت بیشتر، بسیار امیدوارکننده به نظر میرسند. یکی از روشهای یادگیری عمیق جهت پردازش تصاویر شبکهی عصبی کانولوشن میباشد. برای عالمت گذاری کووید19- به عنوان مثبت یا منفی برای سی تی اسکن بهبودیافته، از مدل های از پیش آموزش دیده موجود مانند 16VGG، 50ResNet، 201DenseNet، L2EfficientNetV و 2InceptionResNetV استفاده شده است. مدل پیشنهادی در این تحقیق از مدل از پیش آموزش دیده 2InceptionResNetV استفاده کرده است و به صحت باالتری دست یافته است. صحت به دست آمده ،%97.59 دقت ،0.9878 بازیابی 0.9641 و میانگین 1F 0.9758 می باشد لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13935 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
فاقد شماره ثبت