چکیده

The coronavirus (COVID-2019) pandemic has caused a catastrophic effect on health and global economy. The most common standard for confirming the virus relies on RT-PCR tests. As a complement to RT-PCR Computed tomography (CT) can be used for diagnosing COVID-19. We describe the R-CNN (area-based torsional neural network) approach to segmentation of CT images of the lungs of people with COVID-19 using a variety of augmentation methods. The class imbalance problem leads to inefficient training which makes model degenerated. In this paper we have used a method based on Mask R-CNN to segment Left lung right lung Covid-19 infection. In our model the Focal Loss function is used to suppress well-classified examples. The model is tested on COVID-19-CT-Seg-20cases dataset and the results showed that the accuracy reaches 87.93%. Compared with the smooth loss function in Mask R-CNN it improves by 5%. Therefore this model will aid health professionals to fasten the screening and validation of the initial assessment towards COVID-19 patients.

کليدواژه ها

Covid-19 Deep Learning Segmentation Mask R-CNN Computed Tomography

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
مهران یزدی , 1400 , بخش‌بندی تصاویر سی‌تی ریه‌های دارای عفونت کووید19 با استفاده از ماسک R-CNN , دومین کنفرانس پژوهش های کاربردی در مهندسی برق