مدل های یادگیری عمیق و یادگیری فدرال بلاک چین برای تشخیص کووید ۱۹ با استفاده از تصاویر سی تی اسکن

با افزایش موارد کووید ۱۹ در سراسر جهان، یک روش موثر برای تشخیص بیماران کووید ۱۹مورد نیاز است. مشکل اصلی در تشخیص بیماران مبتلا به کووید ۱۹ کمبود کیت های ازمایشی قابلیت اطمینان است، به دلیل شیوع ویروس، پزشکان در تشخیص موارد مثبت با مشکل روبرو هستند. دومین مشکل در دنیای واقعی در اختیار قرار دادن داده ها در سراسر جهان در اختیار بیمارستان ها می باشد، در حالی که نگرانی های حریم خصوصی سازمان ها را در نظر داریم. ایجاد یک مدل مشارکتی و حفظ حریم خصوصی اصلی ترین نگرانی ها برای آموزش یک مدل یادگیری عمیق جهانی است. این مقاله چارچوبی را ارائه می دهد که مقدار کمی از داده ها را از منابع مختلف (بیمارستان های مختلف) جمع آوری می کند و یک مدل یادگیری عمیق جهانی را با استفاده از یادگیری فدرال (مشارکتی) مبتنی بر بلاک چین آموزش می دهد. فناوری بلاک چین داده ها را احراز هویت می کند و یادگیری فدرالبا حفظ حریم خصوصی سازمان،این مدل را در سطح جهانی آموزش می دهد ابتدا، یک روش عادی سازی داده ها را پیشنهاد می کنیم که با ناهمگونی داده ها سروکار دارد، زیرا داده ها از بیمارستان های مختلف با انواع مختلف اسکنر توموگرافی کامپیوتری جمع آوری می شود. سپس، از تقسیم بندی و طبقه بندی مبتنی بر شبکه عصبی کپسول برای تشخیص بیماران کووید ۱۹ استفاده می کنیم. در نهایت روشی را طراحی می کنیم که می تواند به طور مشترک یک مدل جهانی را با استفاده از فناوری بلاک چین با یادگیری فدرال با حفظ حریم خصوصی آموزش دهد. چارچوب پیشنهادی می تواند از داده های به روز استفاده کند که تشخیص تصاویر سی تی اسکن را بهبود می بخشد. سرانجام آزمایش های جامعی را برای اعتباربخشی روش پیشنهادی انجام دادیم. نتایج ما عملکرد بهتری را برای تشخیص بیماران کووید ۱۹ نشان می دهد.

کلیدواژه ها:

ویروس کووید ۱۹ ، اشتراک گذاری داده ها ، مدل یادگیری فدرال بلاک چین و یادگیری عمیق