سیستم پیاده سازی تشخیص کرونا

 

در دو مطلب قبلی در مورد کاربرد هوش مصنوعی در تشخیص و پیشگیری از کرونا توضیحاتی را ارائه دادیم، در این مطلب می خواهیم یک گام به جلوتر برداریم و ببینیم که چگونه میتوان یکی از راهکارهای تشخیص کرونا را با پایتون پیاده سازی کنیم، بدین منظور ما برای شما مقاله ای را انتخاب و ترجمه نموده ایم، لطفا با وب سایت نوین ایلیا صنعت همراه باشید.

 

کد کرونا

 

مقدمه 

 

: هرچه بیشتر نگران آن باشم، بیشتر به یک بازی دردناک ذهنی تبدیل می‌شود که باعث می‌شود فرض کنم علائم بیماری را دارا هستم:

  • امروز صبح که از خواب بیدار شدم، احساس درد داشتم.
  • در حالی که از تخت خواب بیرون می آمدم فهمیدم که آبریزش بینی دارم (اگرچه الان مشخص شده که آبریزش بینی از علائم کرونا نیست)
  • وقتی که به سمت دست شویی رفتم تا دستمال کاغذی بردارم، چندین بار سرفه کردم.

در ابتدا، زیاد به علائم فکر نمی‌کردم – من آلرژی دارم و به دلیل فرا رسیدن بهار حدس می‌زدم که این علائم به خاطر آلرژی باشد.

اما علائم من در طول روزها، بهبود پیدا نکردند.

من الان اینجا نشسته‌ام و این آموزش را با دماسنجی در دهانم می‌نویسم. و وقتی که پایین و نگاه می‌کنم متوجه می‌شوم که دماسنج 99.4 فارنهایت را نشان می‌دهد.

بدن من معمولاً دمای پایین‌تری نسبت به بقیه دارد و روی 97.4 فارنهایت است و هر عددی بیشتر از 99 درجه فارنهایت، برای بدن من یک تب خفیف محسوب می‌شود.

تب و سرفه؟ این‌ها می‌توانند نشان‌دهنده COVID-19 باشند و یا ممکن است به خاطر آلرژی من باشند.

بدون آزمایش نمی‌توانم به نتیجه‌ای برسم و وقتی شرایط رو نمی‌دانم، وضعیت ترسناک است.

برای یک انسان، هیچ چیزی وحشتناک تر ندانستن نیست.

با وجود اضطرابم، سعی می‌کنم منطقی فکر کنم. من در اوایل 30 سالگی هستم، بدن سالمی دارم و سیستم ایمنی بدن من قوی است. اگر مبتلا بشوم خودم را قرنطینه می‌کنم، استراحت می‌کنم و در نتیجه خوب خواهم شد – COVID-19 مرا نمی‌ترساند (حداقل این چیزی است که من فکر می‌کنم).

من نگران اقوام پیرم، کسانی که بیماری زمینه‌ای دارند و یا کسانی که در خانه سالمندان یا بیمارستان از آن‌ها مراقبت می‌شود، هستم. آنها آسیب پذیر هستند و دیدنشان در شرایطی که به COVID-19 مبتلا شده باشند خوش آیند نیست.

من به جای اینکه بمانم و اجازه بدهم این چیزها مرا آزار بدهند (آلرژی، COVID-19 یا اضطراب شخصی خودم)، تصمیم گرفتم آنچه را که می‌توانم به بهترین شکل انجام دهم – با نوشتن کد و تجزیه و تحلیل‌ها و سرانجام، آموزش آن به دیگران تا یاد بگیرند که چطور از بینایی ماشین و یادگیری عمیق به صورت کاربردی برای مسائل دنیای واقعی استفاده کنند.

این حرف‌های من کاملاً صادقانه است و این علمی‌ترین مقاله‌ای است که من تاکنون نوشتم. در واقع روش‌ها و دیتاهای مورد استفاده من مناسب نیستند اما می‌توانند نقطه شروعی باشند برای کسانی که می‌خواهند از در این شرایط کمکی بکنند.

من به افراد و جامعه اهمیت می‌دهم و می‌خواهم آنچه را که می‌توانم برای کمک کردن انجام دهم – این پست وبلاگ، روشی است که در آن من سعی می‌کنم در این شرایط سخت حداقل از لحاظ روحی خودم را کنترل کنم و به افراد دیگر در این شرایط کمک کنم.

امیدوارم که من را درک کنیم و نظر منفی در مورد من نداشته باشید.

 

 چه چیزهای یاد خواهید گرفت؟!

 

در این آموزش شما موارد زیر را یاد خواهید گرفت :

  • نمونه سازی از یک پایگاه داده که در آن عکس های اشعه ایکس از کسانی که بیماری کرونا آن‌ها مثبت شده است وجود دارد.
  • نمونه سازی “سالم” از عکسهایی که در آن ها بیماران، سالم تشخیص داده شده اند.
  • آموزش یک CNN خودکار که توانایی تشخیص بیماری COVID-19 را با استفاده از عکس‌های موجود در دیتاستی که ما درست کرده ایم، دارد.
  • ارزیابی مدل ساخته شده

 

سلب مسئولیت

 

 من قبلاً به این موضوع اشاره کرده‌ام، اما صریحاً در اینجا دوباره می گویم. روش‌ها و تکنیک‌های استفاده شده در این پست فقط برای اهداف آموزشی در نظر گرفته شده است. این یک مطالعه علمی دقیق نیست و در ژورنالی نیز منتشر نخواهد شد. این مقاله برای خوانندگانی است که علاقه‌مند به بینایی ماشین / یادگیری عمیق هستند و می‌خواهند از طریق روش‌های عملی این مباحث را یاد بگیرند.

برای یادگیری چگونگی شناسایی COVID-19 در تصاویر اشعه X با استفاده از Keras ، TensorFlow و Deep Learning کافی است خواندن را ادامه دهید!

 

تشخیص COVID-19 در تصاویر پرتو-x با Keras ، TensorFlow و Deep Learning

 

در بخش اول این آموزش ، ما در مورد چگونگی تشخیص COVID-19 با کمک عکس اشعه X قفسه سینه بیماران، بحث خواهیم کرد.

بعد از آن ما پایگاه داده عکس‌های اشعه X را مرور خواهیم کرد.

سپس به شما نشان خواهم داد که چگونه یک مدل یادگیری عمیق را با استفاده از Keras و TensorFlow برای پیش بینی COVID-19 در مجموعه داده های تصویر خود آموزش دهید.

 

تذکر:

این پست وبلاگ در تشخیص خودکار COVID-19 فقط برای اهداف آموزشی است و این سیستم به معنای یک سیستم با دقت بالا در تشخیص COVID-19 نیست و همچنین به‌صورت حرفه‌ای و یا دانشگاهی مورد بررسی قرار نگرفته است.

هدف من در اینجا این است که الهام بخشی کنم و چشمان شما را باز کنم و نشان بدهم که چطور با مطالعه بینایی ماشین/ یادگیری عمیق و استفاده از آن در دنیای پزشکی، می‌توانید بر روی دنیا تأثیر گذار باشید.

به عبارت ساده‌تر: شما نیازی به یک مدرک پزشکی ندارید تا در حوزه پزشکی تأثیر بگذارید – متخصصین یادگیری عمیق که با پزشکان و متخصصان پزشکی همکاری می‌کنند می‌توانند مشکلات پیچیده را حل کنند، جان انسان‌ها را نجات دهند و دنیا را به مکانی بهتر تبدیل کنند.

امیدوارم که این آموزش الهام بخش شما برای تبدیل دنیا به جایی بهتر باشد.

در این وضعیت کنونی جهان محققین، متصدیان مجلات و سیستم‌های نظارتی، در حال دریافت محتواهایی در رابطه با سیستم‌های مربوط به COVID-19 هستند که کیفیت مدل‌ها در آن‌ها مشکوک هستند.

همان‌طور که احتمالاً آگاه هستید، هوش مصنوعی که در حوزه پزشکی اعمال می‌شود، می‌تواند عواقب بسیار زیادی داشته باشد. فقط اگر متخصص پزشکی هستید و یا می‌توانید با افراد مطمئن مشورت بگیرید، از این مدل‌ها استفاده کنید.

 

چگونه می‌توان COVID-19 را در تصاویر اشعه ایکس تشخیص داد؟

 

کد تشخیص کرونا

Figure 1 نمونه‌ای از تصویر اشعه ایکس که از بیماری با آزمایش مثبت برای COVID-19 گرفته شده است. با استفاده از تصاویر اشعه ایکس، می‌توان یک کلاس بندی با کمک یادگیری ماشین آموزش داد تا COVID-19 را با استفاده از Keras و TensorFlow تشخیص دهد.

 

آزمایش COVID-19 در حال حاضر کاری بسیار دشوار است – شرایط برای انجام آزمایش به تعداد کافی وجود ندارد و نمی‌توان به سرعت نتایج آزمایش را به‌دست آورد، که این امر باعث وحشت مردم می‌شود.

هنگامی که وحشت در مردم وجود دارد، افراد بی ارزش به دنبال سوء استفاده از مردم هستند، موارد بسیاری از فروش جعبه‌های جعلی کیت تست COVID-19 مشاهده شده است که افراد سودجو در شبکه‌های اجتماعی به دنبال فروش آن‌ها بوده‌اند.

با توجه به اینکه کیت تست COVID-19 محدود است ، باید به سایر اقدامات تشخیصی اعتماد کنیم.

برای این آموزش، من فکر کردم که از تصاویر اشعه ایکس را استفاده کنم زیرا پزشکان به طور مکرر از اشعه X و CT اسکن برای تشخیص ذات الریه، التهاب ریه، آبسه و یا بزرگ شدن غدد لنفاوی استفاده می‌کنند.

از آنجا که COVID-19 به سلولهای اپیتلیال درون دستگاه تنفسی ما  حمله می‌کند، می‌توانیم از اشعه X برای تجزیه و تحلیل سلامت ریه‌های بیمار استفاده کنیم.

و با توجه به اینکه تقریباً در تمام بیمارستان‌ها دستگاه‌های تصویربرداری با اشعه ایکس وجود دارد، می‌توان از پرتوهای ایکس برای آزمایش COVID-19 بدون کیت تست اختصاصی، استفاده کرد.

اشکال این است که تجزیه و تحلیل اشعه ایکس نیاز به یک متخصص رادیولوژی دارد و زمان قابل توجهی را می‌طلبد – که وقتی مردم در سراسر جهان بیمار هستند، با ارزش است. بنابراین ایجاد یک سیستم آنالیز خودکار برای صرفه جویی در وقت با ارزش متخصصین پزشکی ضروری است.

توجه: گزارش‌های جدیدتری وجود دارد که نشان می‌دهد CT اسکن برای تشخیص COVID-19 مفید واقع شده است، امّا چیزی که در این آموزش ما با آن کار می‌کنیم، دیتاستی از عکس‌های اشعه X است. در ضمن من یک متخصص پزشکی نیستم و تصور می‌کنم روش‌های مطمئن‌تر دیگری نیز وجود دارد که پزشکان و متخصصان پزشکی برای تشخیص COVID-19 به غیر از کیت‌های تست اختصاصی، استفاده می‌کنند.

 

دیتاست ما که شامل تصاویر اشعه ایکس بیمار COVID-19 است

 

 

کد تشخیص کرونا

Figure 2 داده‌های اشعه X قفسه سینه (CoronaVirus (COVID-19 در سمت چپ، ما تصاویر اشعه ایکس مثبت داریم (یعنی آلوده)، در حالی که در سمت راست نمونه منفی داریم. از این تصاویر برای آموزش یک مدل یادگیری عمیق با TensorFlow و Keras استفاده می‌شود تا به طور خودکار پیش بینی شود که آیا بیمار مبتلا به COVID-19 (یعنی کروناویروس) است یا خیر.

 

مجموعه داده‌های تصاویر اشعه ایکس COVID-19 ، که ما برای این آموزش استفاده خواهیم کرد توسط دکتر جوزف کوهن، فوق دکتری دانشگاه مونترال طراحی شده است.

یک هفته پیش، دکتر کوهن شروع به جمع‌آوری تصاویر اشعه ایکس از موارد COVID-19 و انتشار آنها در GitHub کرد.

در داخل فایل نمونه‌هایی از موارد COVID-19 و MERS، SARS و ARDS پیدا خواهید کرد.

به منظور ساختن یک دیتاست از عکس‌های اشعه ایکس از بیماران دارای COVID-19، برای این آموزش:

  1. فایل csv که در فولدر گیت هاب دکتر کوهن قرار دارد را باز کنید.
  2. ردیف‌های زیر را انتخاب کنید :
    1. آن‌هایی که دارای COVID-19 مثبت هستند.( نباید شامل MERS، SARS و ARDS بشوند.)
    2. PA که از ریه‌ها گرفته شده است. من از این نما استفاده کردم و با توجه به چیزی که فهمیدم، این بهترین نوع عکس برداری برای این مسئله است، با این حال ممکن است من اشتباه بکنم، بنابراین اگر متخصصی وجود دارد که این مطلب رو می‌خواند، خوشحال می‌شوم که نظرش را در این مورد اعلام کند.

در نهایت 25 عکس که در شکل 2 سمت چپ مشاهده میکنید، از موارد مثبت آلوده به ویروس کرونا برای من باقی ماند.

قدم بعدی نمونه برداری تصاویر اشعه ایکس از بیماران سالم بود.

برای این کار، من از مجموعه داده‌های اشعه X قفسه سینه (Kaggle (Pneumonia استفاده کردم و نمونه‌ای از 25 تصویر اشعه ایکس از بیماران سالم (شکل 2، سمت راست) را به‌دست آوردم. با مجموعه داده‌های قفسه سینه Kaggle مشکلات زیادی وجود داشت، تعداد زیادی از آن‌ها به‌صورت اشتباه و یا داده‌های پرت بودند، اما برای سیستم تشخیص COVID-19 ما مناسب بودند.

پس از جمع آوری دیتاست، من در کل 50 تصویر داشتم، که به 25 تصویر از اشعه X مثبت COVID-19 و 25 تصویر از اشعه X بیمار سالم تقسیم می‌شوند.

من دیتاست خودم را در قسمت دانلود این مجموعه گذاشتم، برای همین نیازی نیست که دوباره بسازیدش.

علاوه بر این، من اسکریپت‌های Python خود را که برای تولید دیتاست در بارگیری‌ها نیز استفاده کرده‌ام، درج کرده‌ام، اما این اسکریپت‌ها در این آموزش بررسی نمی‌شوند زیرا خارج از محدوده آموزش ما هستند.

 

ساختار پروژه

 

از اینجا، کدهای این آموزش را دانلود کنید، بعد از باز کردن فایل زیپ، شما ساختار زیر را مشاهده خواهید کرد:

 

کد تشخیص کرونا

 

داده‌های اشعه X قفسه سینه ما (COVID-19) در فولدر dataset قرار دارد که در آن  داده‌ها به صورت covid  و normal  جدا شده‌اند.

هر دو اسکریپت که من با کمک آن‌ها دیتاستم را درست کردم ارائه شده‌اند. با این حال، ما آنها را مرور نمی‌کنیم.

در عوض، ما اسکریپت train_covid19.py را مرور خواهیم کرد که تشخیص دهنده COVID-19 را  به ما آموزش می‌دهد.

بیاین ادامه بدیم و بریم سرکار اصلی…

 

پیاده سازی اسکریپت آموزش COVID-19 با استفاده از Keras و TensorFlow

 

اکنون که دیتاست تصویر خود را به همراه ساختار فولدر برنامه پروژه خود، مرور کردیم، می‌خواهیم به دنبال تنظیم دقیق شبکه عصبی Convolutional باشیم تا به طور خودکار COVID-19 را با استفاده از Keras، TensorFlow و یادگیری عمیق تشخیص دهیم.

فایل train_covid19.py را در فولدر دانلود شده باز کنید و کد زیر را وارد کنید:

 

کد تشخیص کرونا

 

این اسکریپت TensorFlow 2.0 و کتابخانه‌های یادگیری عمیق Keras را به پروژه ما اضافه می‌کند.

علاوه بر این، ما از scikit-Learn، کتابخانه de-facto Python برای یادگیری ماشین، matplotlib برای ترسیم و OpenCV برای بارگیری و پیش پردازش تصاویر در مجموعه داده استفاده می‌کنیم.

برای یادگیری نحوه نصب TensorFlow 2.0 (از جمله کتابخانه‌های scikit-learn, OpenCV, و matplotlib)، کافی است راهنمای Ubuntu یا macOS خود را دنبال کنید.

با توجه به کتابخانه ‌هایی که به پروژه اضافه کردیم، ما command line arguments هارا parse  می‌کنیم.

 

کد تشخیص کرونا

 

command line arguments ما در خط‌های 24 تا 31 شامل موارد زیر است:

 

  • dataset– : مسیر مجموعه داده ورودی ما از تصاویر اشعه X قفسه سینه.
  • plot– : یک مسیر اختیاری برای خروجی‌های plot. به طور پیش فرض plot با نام png نام‌گذاری می‌شود، مگر اینکه از طریق خط فرمان به شکل دیگری برای آن مشخص کنیم.
  • model– : مسیر اختیاری برای خروجی مدل COVID-19 ما. به طور پیش فرض آن را model می‌نامیم.

بعد از آن ما میزان نرخ اولیه یادگیری، تعداد epoch های آموزش و batch size hyperparameters را مقدار دهی اولیه می‌کنیم. (خطوط 35-37).

اکنون آماده بارگیری و پیش پردازش داده‌های اشعه X هستیم:

 

کد تشخیص کرونا

 

برای بارگذاری داده‌های خود، ما تمام مسیرهای مربوط به تصاویر را در فهرست –dataset (خطوط 42) می‌گیریم. سپس، برای هر imagePath، ما:

  • برچسب کلاس (به‌صورت covid یا normal) را از مسیر (خط 49) استخراج کنید.
  • تصویر را بارگیری کرده و با تبدیل به کانال RGB، آن را پردازش کرده و آن را در 224×224 پیکسل تغییر اندازه دهید تا برای شبکه عصبی Convolutional ما (خطوط 53-55) آماده شود.
  • لیست داده‌ها و برچسب‌ها را به ترتیب به روز کنید (خطوط 58 و 59).

 

سپس شدت پیکسل‌ها را به دامنه [0، 1] مقیاس می‌زنیم و داده‌ها و برچسب‌های خود را به قالب آرایه NumPy (خطوط 63 و 64) تبدیل می‌کنیم.

در مرحله بعد ما برچسب‌ها را One-hot رمزگذاری کرده و بخش‌های train و test را درست می‌کنیم.

 

کد تشخیص کرونا

 

رمزگذاری One-hot برچسب‌ها در خطوط 67-69 صورت می‌گیرد به این معنی که داده‌های ما به شکل زیر در خواهند آمد:

 

کد تشخیص کرونا

 

هر برچسب رمزگذاری شده از یک آرایه دو عنصری تشکیل شده است که یکی از عناصر “hot” است (یعنی 1) در مقابل “not” (یعنی ، 0).

خطوط 73 و 74 سپس تقسیم داده‌های ما را ایجاد می‌کنند، 80٪ از داده‌ها را برای آموزش و 20٪ برای آزمایش ذخیره می‌کنند.

به منظور اطمینان از تعمیم مدل، ما با تنظیم چرخش تصویر تصادفی روی 15 درجه در جهت عقربه‌های ساعت یا خلاف جهت عقربه‌های ساعت، تقویت داده را انجام می‌دهیم.

خطوط 77-79 تولیدکننده تقویت کننده داده‌ها را مقدار دهی اولیه می‌کنند.

از اینجا مدل VGGNet خود را آغاز می‌کنیم و آن را برای تنظیم دقیق تنظیم می‌کنیم:

 

کد تشخیص کرونا

 

خطوط 83 و 84، شبکه VGG16 را با پیش پردازش وزن‌دار در ImageNet معرفی می‌کنند و  لایه FC را ترک می‌کنند.

از آنجا، ما یک لایه کاملاً متصل به هم متشکل از لایه‌های POOL => FC = SOFTMAX (خطوط 88-93) می‌سازیم و آن را در بالای VGG16 (خط 97) اضافه می‌کنیم.

ما سپس وزن CONV از VGG16 را مسدود می‌کنیم تا فقط لایه FC آموزش داده شود (خطوط 101-102). این تنظیمات ما را دقیق می‌کند.

اکنون ما آماده train مدل یادگیری عمیق (COVID-19 (coronavirus خود هستیم:

 

کد تشخیص کرونا

 

خطوط 106-108 شبکه را با کاهش نرخ یادگیری و Adam optimizer کامپایل می‌کند. با توجه به اینکه این یک 2-class problem است، ما از “binary_crossentropy” به جای categorical crossentropy استفاده می‌کنیم.

برای شروع فرآیند آموزش شبکه عصبی COVID-19، هنگام انتقال داده‌های اشعه x قفسه سینه از طریق data augmentation object  ، ما تابع fit_generator از keras را فراخوانی می‌کنیم. (خطوط 112-117)

سپس، مدل خود را ارزیابی می‌کنیم.

 

کد تشخیص کرونا

 

برای ارزیابی، ابتدا بر روی مجموعه test پیش بینی می‌کنیم و شاخص‌های پیش بینی را به دست می‌آوریم (خطوط 121-125).

سپس ما گزارش classification را با استفاده از ابزارهای scikit-learn تولید و چاپ می‌کنیم. (خطوط 128 و 129)

سپس برای ارزیابی بیشتر آماری ، ماتریس درهم‌ریختگی را محاسبه خواهیم کرد:

 

کد تشخیص کرونا

 

دراینجا ما :

  • یک ماتریس درهم ریختگی را تولید کردیم (خط 133)
  • برای به دست آوردن دقت، حساسیت (sensitivity) و ویژگی(specificity) از ماتریس درهم‌ریختگی استفاده کنید (خطوط 135-137) و هر یک از این معیارها را چاپ کنید (خطوط 141-143)

سپس ما نتایج accuracy/loss داده‌های آموزش را برای بررسی ترسیم می‌کنیم و طرح را به یک فایل تصویری تبدیل می‌کنیم:

 

کد تشخیص کرونا

 

سرانجام مدل طبقه بندی شده tf.keras COVID-19 خود را روی دیسک serialize می‌کنیم:

 

کد تشخیص کرونا

 

با پیاده سازی اسکریپت train_covid19.py ، ما اکنون آماده هستیم تا تشخیص دهنده اتوماتیک COVID-19 خود را آموزش دهیم.

اطمینان حاصل کنید که از کدها، مدل پیش پردازش و دیتاست COVID-19 که در بخش دانلود برای شما قرار داده شده، استفاده می‌کنید.

از همان فولدر یک ترمینال باز کنید و دستور زیر را برای Train تشخیص دهنده COVID-19 خود استفاده کنید.

 python train_covid19.py –dataset dataset $

 

کد تشخیص کرونا

 

تشخیص خودکار COVID-19 از تصاویر اشعه X

 

همان‌طور که از نتایج فوق می‌بینید، تشخیص دهنده اتوماتیک COVID-19 در مجموعه داده‌های نمونه فقط بر اساس تصاویر اشعه ایکس دقت 90-92٪ را به‌دست می‌آورد – برای آموزش این مدل از داده‌های دیگر از جمله موقعیت جغرافیایی، تراکم جمعیت و غیره استفاده نشده است.

سیستم ما همچنین دارای 100٪ حساسیت (sensitivity) و 80٪ ویژگی(specificity) است که نشان می‌دهد:

  • در بیمارانی که COVID-19 دارند (یعنی مثبت)، ما می‌توانیم با استفاده از مدل خود آنها را با دقت 100٪  شناسایی کنیم.
  • از بین بیمارانی که COVID-19 ندارند (یعنی true negatives)، با دقت 80٪ می‌توانیم بگوییم نتیجه آزمایش آن‌ها منفی خواهد بود.

همان‌طور که نمودار گزارش train ما نشان می‌دهد، شبکه ما علی رغم داشتن داده‌های آموزشی بسیار محدود، از overfitting برخوردار نیست:

 

کد تشخیص کرونا

 

توانایی تشخیص دقیق COVID-19 با دقت 100٪ فوق‌العاده است. با این حال، نرخ true negative ما کمی نگران کننده است – ما نمی‌خواهیم کسانی که تست آنها مثبت است را در دسته منفی قرار دهیم.

در حقیقت، آخرین کاری که ما در آینده می‌خواهیم انجام دهیم این است که از اینکه به بیمار بگوییم آزمایش COVID-19 او منفی است، سپس آنها به خانه بروند و خانواده و دوستان خود را آلوده کنند و از این طریق بیماری را منتقل کنند جلوگیری کنیم!

ما همچنین باید در مورد نرخ false positive خود بسیار مراقب باشیم – نمی‌خواهیم به اشتباه کسی را به عنوان “COVID-19 مثبت” طبقه بندی کنیم و آنها را با سایر بیماران مثبت COVID-19 قرنطینه کنیم، و سپس شخصی را آلوده کنیم که هرگز ویروس COVID-19 را نداشته است.

تعادل در حساسیت و ویژگی هنگام استفاده از برنامه‌های پزشکی، بخصوص بیماری‌های عفونی که به سرعت انتقال می‌یابند، مانند COVID-19، بسیار چالش برانگیز است.

وقتی صحبت از بینایی ماشین و یادگیری عمیق در پزشکی صورت می‌گیرد، همیشه باید توجه داشته باشیم که مدل‌های پیش بینی کننده ما می‌توانند عواقب بسیار واقعی داشته باشند – یک مورد تشخیص داده نشده، می‌تواند جان بسیاری از مردم را بگیرد.

باز هم اعلام می‌کنیم، این آموزش و نتایج آن فقط برای اهداف آموزشی جمع شدند. این مقاله و نتایج همراه با آن در دسته مقاله ژورنالی قرار نمی‌گیرد و مطابق با دستورالعمل‌های TRIPOD در مورد گزارش مدل‌های پیش بینی کننده نیست.

 

مترجم:مهندس محسن نوازنی

منبع:pyimagesearch.com

در این مطلب در مورد پیاده سازی تشخیص کرونا صحبت کردیم ، اگر دوست داشتید مطلب قبلی ما را در رابطه با تشخیص کرونا با بینایی ماشین مطالعه کنید از این لینک کمک بگیرید، همچنین ارشیو مطالب کرونایی ما با این لینک قابل مشاهده هست، ما باز هم برای شما مطالبی در این مورد قرار خواهیم داد، پس لطفا ما را در شبکه های اجتماعی همچون اینستاگرام،اپارات و لینکدین دنبال کنید، همچنین از سایر مطالب ما نیز دیدن کنید.

نوین ایلیا صنعت تامین کننده تجهیزات بینایی ماشین برای شما ارزوی سلامتی دارد.

دیدگاه ها بسته شده است