ترجمه فارسی مقاله تشخیص کارآمد و دقیق ذات‌الریه با استفاده از یک رویکرد ترانسفورماتور چندمقیاسی جدید

چکیده

Pneumonia, a severe respiratory disease, poses significant diagnostic challenges, especially in underdeveloped regions. Traditional diagnostic methods, such as chest X-rays, suffer from variability in interpretation among radiologists, necessitating reliable automated tools. In this study, we propose a novel approach combining deep learning and transformer-based attention mechanisms to enhance pneumonia detection from chest X-rays. Our method begins with lung segmentation using a TransUNet model that integrates our specialized transformer module, which has fewer parameters compared to common transformers while maintaining performance. This model is trained on the “Chest Xray Masks and Labels” dataset and then applied to the Kermany and Cohen datasets to isolate lung regions, enhancing subsequent classification tasks. For classification, we employ pre-trained ResNet models (ResNet-50 and ResNet-101) to extract multi-scale feature maps, processed through our modified transformer module. By employing our specialized transformer, we attain superior results with significantly fewer parameters compared to common transformer models. Our approach achieves high accuracy rates of 92.79% on the Kermany dataset and 95.11% on the Cohen dataset, ensuring robust and efficient performance suitable for resource-constrained environments. “https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia”

چکیده به فارسی (ترجمه ماشینی)

ذات الریه ، یک بیماری تنفسی شدید ، چالش های تشخیصی قابل توجهی ، به ویژه در مناطق توسعه نیافته را ایجاد می کند.روشهای تشخیصی سنتی ، مانند اشعه ایکس قفسه سینه ، از تغییرپذیری در تفسیر در بین رادیولوژیست ها رنج می برند و به ابزارهای خودکار قابل اعتماد نیاز دارند.در این مطالعه ، ما یک رویکرد جدید با ترکیب یادگیری عمیق و مکانیسم های توجه مبتنی بر ترانسفورماتور برای تقویت تشخیص ذات الریه از اشعه X قفسه سینه پیشنهاد می کنیم.روش ما با تقسیم ریه با استفاده از یک مدل TransUnet شروع می شود که ماژول ترانسفورماتور تخصصی ما را ادغام می کند ، که در حالی که عملکرد خود را حفظ می کند ، پارامترهای کمتری در مقایسه با ترانسفورماتورهای مشترک دارد.این مدل بر روی مجموعه داده های “ماسک ها و برچسب های قفسه سینه” آموزش داده می شود و سپس برای جداسازی مناطق ریه ، در مجموعه داده های کرمان و کوهن اعمال می شود و کارهای طبقه بندی بعدی را تقویت می کند.برای طبقه بندی ، ما از مدل های RESNET از پیش آموزش (RESNET-50 و RESNET-101) برای استخراج نقشه های ویژگی چند مقیاس استفاده می کنیم ، که از طریق ماژول ترانسفورماتور اصلاح شده ما پردازش می شوند.با استفاده از ترانسفورماتور تخصصی ما ، در مقایسه با مدلهای ترانسفورماتور مشترک ، نتایج برتر را با پارامترهای قابل توجهی کمتر می کنیم.رویکرد ما به میزان دقت بالایی از 92.79 ٪ در مجموعه داده های کرمان و 95.11 ٪ در مجموعه داده های کوهن دست می یابد و عملکرد قوی و کارآمد مناسب برای محیط های محدود شده از منابع را تضمین می کند.”https://github.com/amirrezafateh/multi-scale-transformer-pneumonia”