پروژه تشخیص کرونا از روی تصاویر سی تی اسکن قفسه سینه

پروژه تشخیص کرونا از روی تصاویر سی تی اسکن قفسه سینه

گروه متلب پروژه در ادامه پروژه های آماده خود پروژه تشخیص کرونا از روی تصاویر سی تی اسکن قفسه سینه با متلب را که توسط اساتید این مجموعه پیاده سازی شده است را با قیمت بسیار مناسب و برای تعدادی محدود برای فروش در اختیار کاربران قرار داده است پروژه انجام شده دارای گزارش کامل در فایل ورد می باشد و طوری تهیه شده است که کاربران پس از دریافت و بررسی آن به صورت کامل در روند انجام پروژه قرار خواهند گرفت.

توضیحات پروژه :

یادگیری عمیق دانشی سریع و در حال تحول است که پیامدهای زیادی در زمینه تصویربرداری پزشکی دارد. در حال حاضر تصاویر پزشکی توسط پزشکان ، رادیولوژیست ها و غیره تفسیر می شوند که این تفسیر بسیار ذهنی می باشند. بسیاری از آنان پس از سالها تماشای تصاویر سونوگرافی ، هنوز در مورد اینکه آیا واقعاً توموری در یک اسکن مشاهده شده، بحث می کنند. رادیولوژیست ها اغلب مجبورند حجم زیادی از این تصاویر را که می تواند با خستگی و اشتباه همراه شود ، بررسی کنند. بنابراین نیاز به خودکار سازی این کار وجود دارد.

الگوریتم های یادگیری ماشین مانند دستگاه های بردار پشتیبان SVM، اغلب برای تشخیص و طبقه بندی این گونه تومورها استفاده می شوند. اما غالباً با فرضیاتی که هنگام تعریف ویژگی ها ارائه می گردد محدود می شوند. این منجر به کاهش حساسیت آنها می شود. در این میان، یادگیری عمیق می تواند یک راه حل ایده آل باشد. زیرا این الگوریتم ها قادر به یادگیری ویژگی ها از داده های تصاویر خام هستند. ولی یک چالش در اجرای این الگوریتم ها ، کمبود داده های تصویر پزشکی دارای برچسب است. اگرچه این یک محدودیت برای همه برنامه های یادگیری عمیق است ، اما بیشتر برای داده های تصویر پزشکی به دلیل نگرانی در مورد محرمانه بودن اطلاعات بیمار است منتشر نمیشوند.

در این پروژه ما  از شبکه عصبی کانولوشنال عمیق با نام اسکوییزنت squeezenet خواهیم داشت که باید آن را آموزش دهید تا از طریق آن بتواندیم گره های ریه را تشخیص دهد. SqueezeNet نام یک شبکه عصبی عمیق برای بینایی رایانه است که در سال 2016 منتشر شد. اسکوییزنت  توسط محققان DeepScale ، دانشگاه کالیفرنیا ، برکلی و دانشگاه استنفورد ساخته شده است. در طراحی اسکوییزنت  ، هدف نویسندگان ایجاد یک شبکه عصبی کوچکتر با پارامترهای کمتر بود که به راحتی بتواند در حافظه کامپیوتر جای بگیرد و به راحتی از طریق شبکه رایانه ای قابل انتقال باشد.

از لحاظ ساختاری اسکوییزنت یک شبکه عصبی کانولوشن است که 18 لایه عمق دارد. شما می توانید در متلب یک نسخه آموزش دیده از شبکه را که روی بیش از یک میلیون تصویر از پایگاه داده ImageNet آموزش دیده است بارگیری کنید. شبکه آموزش دیده می تواند تصاویر را در 1000 دسته شی مانند صفحه کلید ، ماوس ، مداد و بسیاری از حیوانات طبقه بندی کند. در نتیجه ، این شبکه بازنمایی ویژگی های غنی برای طیف گسترده ای از تصاویر را فرا گرفته است. با این وجود میتوان حتی این شبکه را برای دیتا بیس دلخواه نیز آموزش داد. این تابع یک شبکه SqueezeNet v1.1 را برمی گرداند ، که دقتی مشابه SqueezeNet v1.0 دارد اما برای پیش بینی به عملیات floting point کمتری نیاز دارد.. اندازه ورودی تصویر این شبکه 227 در 227 است.  ساختار متراکم این شبکه را در زیر میبینید

مجموعه تصمیر دیتابیس مقاله در آدرس زیر موجودست:

https://drive.google.com/drive/folders/1xdk-mCkxCDNwsMAk2SGv203rY1mrbnPB

این مجموعه داده شامل 12058 تصویر سی تی اسکن ریه می باشند. شما با ورود به سایت بالا و دانلود مجموعهه 4 گیگا بایتی با نام Train&Validation.zip میتوانید اولین قدم در اجرای شبیه سازی انجام دهید. مهمترین گام هر تحلیل ایجاد یک پایگاه داده تصاویر برای آموزش است. ابعاد هر سی تی اسکن 512 * 512 است. من فولدر دیتابیس را بعلت حجم زیاد بهمراه فایل ها نمیتوانم بفرستم. شما آنرا دانلود کنید و به طریقی که بیان میگردد کنار فایل های شبیه سازی کپی کنید.

در فولدر ارسالی فایل های زیر وجود دارد:

کد Main.mکه کد اصلی لازم برای اجرای این کار است.  در پوشه دیتابیس موجود  دو فولدر یکی برای آموزش Traindatabase و دیگری برای تست Testdatabase قرار داده شده است. در داخل هر کدام مجموعه تصاویر نرمال با نام normal و تصاویر دارای گره های ویروس کرونا با نام Covid قرار دارد. این فولدر ها الان خالی هستند و کافی است شما از تصاویر دیتابیس دانلود شده آنها را پر کنید. به تصاویر دیتا بیس دانلود شده نگاه کنید.  یکسری از آنها با پیش نام covid هستند مثل :

137covid_patient1_SR_2_IM00023

 و یکسری از آنها با پیش نام normal مثل:

 normal2_patient273_SR_2_IM00011  

تمام تصاویر را که نام covid دارند در یک new folder  بریزید و تمام تصاویری که نام normal دارند  در یک پوشه دیگر. حالا در هر فولدر select all کنید همه تصاویر را و رات کلیک کنید و بزنید rename. سپس در نام جدید بزنید R بزرگ بعد اینتر کنید. حالا نام همه تصاویر خودبخود عوض میگردد و میشود مثل:

R (1004).tif

اینکار را برای هر دوفولدری که تازه ساختید انجام دهید. یادتان نرود کدام فولدر حاوی covidو کدام حاوی normal ها بوده است! حالا در فولدر جدید تصاوی حاوی covid بروید و  تصاویر از شماره 1 تا 2000 را در پوشه Traindatabase-> covid بریزید و تصاویر از شماره 2001 تا 2282 را هم در فولدر Testdatabase -> covid بریزید.

حالا در فولدر جدید تصاوی حاوی normal بروید و  تصاویر از شماره 1 تا 2000 را در پوشه Traindatabase-> normalبریزید و تصاویر از شماره 2001 تا 2282 را هم در فولدر Testdatabase -> normalبریزید.

دیتابیس در اینجا ساخته شد و حالا میتوانید کد را اجرا کنید. از آنجا که داده های مورد نیاز برای آموزش CNN بسیار زیاد است ، زمان زیادی صرف پیش پردازش و آموزش در این مرحله خواهد شد. hc یک سیستم با مشخصات Intel(R) Core(TM) i5-3230M CPU @ 2.60GHz با 8 گیگ رم استفاده شد. بنابراین پیش پردازش حدود 5 ساعت و آموزش با شبکه عصبی هم حدود 5 ساعت  دیگر طول کشید. لذا از یک سیستم خوب مثل بالا با مشخصات بسیار بهتر استفاده شود.  نمودار تحول آموزش و نتایج نهایی بصورت زیر می باشد و در ادامه توضیح کد main بیان خواهد شد:

Accuracy Train= %99.1736

Accuracy Test= %94.3262

سوالات متداول در خرید پروژه از فروشگاه متلب پروژه 

برای دریافت پروژه باید چه کاری انجام بدم؟

برای دریافت پروژه و دانلود آن کافی ست با افزودن پروژه به قسمت محصولات خود و پرداخت هزینه آن سفارش خود را دریافت کنید.

 

نمونه پروژه های برق دیگر را چطور میتوانم مشاهده کنم؟

این پروژه یک نمونه پروژه آماده برق انجام شده توسط موسسه متلب پروژه می باشد در صورتی که نیاز به مشاهده همه پروژه های انجام شده در این حوزه دارید به قسمت پروژه آماده پردازش تصویر مراجعه نمایید

 

سایر پروژه های مختلف در فروشگاه متلب پروژه را چطور میتوانم دریافت کنم؟

متلب پروژه بزرگترین سایت پروژه های آماده برق می باشد که بانکی عظیمی از پروژه های انجام شده را با کمترین قیمت برای راحتی مشتریان در اختیار کاربران قرار داده شده است برای مشاهده کلیه پروژه ها به فروشگاه متلب پروژه مراجعه نمایید.

 

در صورت که در دریافت پروژه به مشکل برخوردم باید چه کاری انجام بدهم ؟

در صورتی که فایل دریافتی خراب بود و نتوانستید فایل را دانلود نمایید سریعا با شماره 0903954984 تماس بگیرید تا مشکل شما رفع شود.

 

صورتی که پروژه موردنظر شما در این قسمت پیدا نشد و نیاز پروژه پردازش تصویر دارید سفارش پروژه خود را ثبت نمایید که تا در کمترین زمان ممکن به درخواست شما پاسخ داده شود.