Journal of Marine Medicine

fa تشخیص کووید-19 با استفاده از شبکه عصبی VGG-16 و کلاسه‌بندی تصاویر اشعه ایکس قفسه ‌سینه Detection of COVID-19 Using VGG-16 Neural Network and Classification of Chest X-ray Images طب دریا Marine Medicine پژوهشي اصیل Original Article <div style="text-align: justify;">زمینه و هدف: با افزایش آمار ابتلا و مرگ و میر کووید-19، این نیاز احساس میشود که با استفاده از ابزارهای هوش مصنوعی و یادگیری ماشینی، در جهت تشخیص سریع و به موقع ویروس کرونا اقدام نمود. در این مطالعه با استفاده از تصاویر اشعه ایکس قفسه سینه و شبکه عصبی عمیق VGG-16، یک سیستم خودکار برای تشخیص موارد ابتلا به کووید-19 طراحی و پیادهسازی شد. روشها: در این پژوهش، از تصاویر اشعه ایکس قفسه سینه که از پایگاه داده Kaggle اخذ شده است، استفاده گردید. طراحی این مطالعه به ترتیب شامل این موارد بود: نمونه گیری دادهها، تقسیم بندی آموزشها، ساخت دایرکتوریها، انتقال تصاویر به پوشههای مخصوص به خود، کلاسهبندی تصاویر، ساخت مدل پیشنهادی VGG-16 در بستر زبان برنامهنویسی پایتون و کتابخانههای Keras و Tensorflow، ارزیابی مدل پیشنهادی و در نهایت ساخت ماتریس درهمریختگی و تحلیل و تفسیر آنها. یافته‌ها: میزان صحت و دقت مدل پیشنهادی برای کلاس کووید مثبت به ترتیب، 91 و 93 درصد بود. همچنین میزان بازیابی و  امتیاز F1 برای موارد مبتلا به کووید-19، به ترتیب 94 و 88 درصد بهدست آمد. نتیجه گیری: به علت دقت و صحت بالای مدل پیشنهاد شده، میتوان از آن در جهت تشخیص کووید- 19 و تفکیک موارد مبتلا به کووید-19 از موارد سالم استفاده کرده و همچنین به عنوان یک ابزار کمکی در جهت کمک به پزشک در تشخیص این بیماری بهره جست.</div> Background and Aim: With the increase in the number of infections and deaths of covid-19, the need is felt to use artificial intelligence and machine learning tools to diagnose the corona virus quickly and on time. In this study, using chest x-ray images and VGG-16 deep neural network, an automatic system was designed and implemented to detect cases of covid-19. Methods: In this research, chest x-ray images obtained from the Kaggle database were used. The design of this study included: data sampling, training division, creating directories, transferring images to their own folders, classifying images, creating the proposed VGG-16 model in Python programming language and Keras and Tensorflow libraries, evaluation of the proposed model and finally the creation of the confusion matrix and their analysis and interpretation. Results: The accuracy and Precision of the proposed model for the positive Covid-19 class were 91 and 93%, respectively. Also, the recall rate and F1-Score for cases with covid-19 were 94% and 88% respectively. Conclusion: Due to the high accuracy and precision of the proposed model, it can be used to diagnose covid-19 and separate COVID-19 cases from healthy cases and also be used as an auxiliary tool to help doctors diagnose this disease. کووید-19, ویروس کرونا, تشخیص کووید-19, تصاویر اشعه ایکس, قفسه سینه, یادگیری عمیق COVID-19, corona virus, detecting of COVID-19, X-ray images, chest, deep learning 64 71 http://jmarmed.ir/browse.php?a_code=A-10-408-1&slc_lang=fa&sid=1 Nader Jafarnia Dabanloo نادر جعفرنیا دابانلو jafarnia@srbiau.ac.ir 10031947532846005435 10031947532846005435 No Islamic Azad University, E-Campus دانشگاه آژاد اسلامی واحد الکترونیکی Seyed Mohammad Javad Hosseini سید محمدجواد حسینی javadhosseini1377@yahoo.com 10031947532846005436 10031947532846005436 Yes Department of Biomedical Engineering, Islamic Azad University, E-Campus, Tehran, Iran گروه مهندسی پزشکی، دانشگاه آزاد اسلامی واحد الکترونیکی، تهران، ایران Keivan Maghooli کیوان معقولی k_maghooli@srbiau.ac.ir 10031947532846005437 10031947532846005437 No Islamic Azad University, E-Campus دانشگاه آژاد اسلامی واحد الکترونیکی