‌‌ تشخیص سل در رادیوگرافی قفسه سینه با استفاده از الگوریتم‌های یادگیری عمیق‌ و با کمک اطلاعات جمعیتی مربوط به داده‌های سالانه آزمایش سلامت کارکنان

   مقدمه

علاوه بر این، چندین مطالعه تشخیص به کمک کامپیوتر را بر اساس تصویرسازی رزونانس مغناطیسی (MRI) و تصویرسازی تشدید مغناطیسی کارکردی ، تصاویر سونوگرافی ، دمانگاری مادون قرمز، الکترو‌آنسفالوگرام (EEG) ، بافت شناسی دیجیتال و عکسهای آندوسکوپی بررسی کرده اند . تحقیقات قبلی نشان داده است که CAD برای تشخیص [۸] و توصیف الگوهای [۹] سل با دقت تشخیص قابل قبول مفید است . سی تی اسکن با وضوح بالا HR-CT اطلاعات بیشتری نسبت به اشعه X قفسه سینه می دهد و دقت خوبی را در تشخیص بیماری‌های ریه در بیماران مبتلا نشان می دهد، اما بیماران را در معرض دوزهای نسبتاً بالای اشعه قرار می دهد. از این رو ، در بین روش‌های مختلف تشخیص به کمک کامپیوتر (CAD) ، اشعه X از قفسه سینه مناسب ترین روش برای بهبود عملکرد تشخیص است و بیمار در معرض اشعه کمتری قرار می گیرد. رادیولوژیستها هنگام تفسیر رادیوگرافی قفسه سینه ، متغیرهای جمعیتی را مهم می دانند ، زیرا این متغیرها ممکن است با استفاده از روشهای یادگیری عمیق ، در تشخیص الگوهای بیماری تأثیر بگذارد. اگرچه می توان از تصاویر رایوگرافی برای استخراج متغیرهای جمعیتی خاص استفاده کرد ، و یا می توان از روشهای یادگیری عمیق برای تعیین جنسیت بر اساس تصاویر اشعه ایکس استفاده کرد [۱۱] ولی، مطالعات اندکی سعی کرده اند متغیرهای جمعیت شناختی را در شبکه‌های عصبی کانولوشن CNN‌ها قرار دهند. بنابراین ، هنوز مشخص نیست که آیا تصاویر اشعه ایکس به تنهایی برای تصمیم گیری کافی هستند، یا اینکه افزودن متغیرهای جمعیتی به شبکه عصبی کانولوشن باعث افزایش عملکرد تشخیص به کمک کامپیوتر می شود. در مطالعه حاضر ، هدف آزمایش عملکرد CNN‌ها در تشخیص سل است. همچنین ارزیابی تفاوت عملکرد بین شبکه عصبی کانولوشن که فقط مبتنی بر تصویر است (I-CNN) و شبکه عصبی کانولوشنی که شامل متغیرهای جمعیت شناختی است (D-CNN) برای دسته بندی تصاویر اشعه ایکس از قفسه سینه است.  تشخیص سل در رادیوگرافی