Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images
Subject Areas : ICT
Shamim Yousefi
1
,
Samad Najjar-Ghabel
2
*
1 - University of Mohaghegh Ardabili.Ardabil.Iran
2 - University of Mohaghegh Ardabili
Keywords: Locality Sensitive Discriminant Analysis, Discrete Wavelet Transform, Discrete Cosine Transform, Interstitial lung disease identification, Radiography images, Decision tree,
Abstract :
The use of raw radiography results in lung disease identification has not acceptable performance. Machine learning can help identify diseases more accurately. Extensive studies were performed in classical and deep learning-based disease identification, but these methods do not have acceptable accuracy and efficiency or require high learning data. In this paper, a new method is presented for automatic interstitial lung disease identification on radiography images to address these challenges. In the first step, patient information is removed from the images; the remaining pixels are standardized for more precise processing. In the second step, the reliability of the proposed method is improved by Radon transform, extra data is removed using the Top-hat filter, and the detection rate is increased by Discrete Wavelet Transform and Discrete Cosine Transform. Then, the number of final features is reduced with Locality Sensitive Discriminant Analysis. The processed images are divided into learning and test categories in the third step to create different models using learning data. Finally, the best model is selected using test data. Simulation results on the NIH dataset show that the decision tree provides the most accurate model by improving the harmonic mean of sensitivity and accuracy by up to 1.09times compared to similar approaches.
منابع و مأخذ
[1] A. L. Olson, P. Patnaik, N. Hartmann, R. L. Bohn, E. M. Garry, and L. Wallace, “Prevalence and Incidence of Chronic Fibrosing Interstitial Lung Diseases with a Progressive Phenotype in the United States Estimated in a Large Claims Database Analysis,” Advances in Therapy, vol. 38, no. 7, pp. 4100–4114, Jul. 2021.
[2] L. Sesé et al., “Adult interstitial lung diseases and their epidemiology,” La Presse Médicale, vol. 49, no. 2, p. 104023, Jun. 2020.
[3] J. Salonen, M. Purokivi, R. Bloigu, and R. Kaarteenaho, “Prognosis and causes of death of patients with acute exacerbation of fibrosing interstitial lung diseases,” BMJ Open Respiratory Research, vol. 7, no. 1, p. e000563, Apr. 2020.
[4] K. K. Brown et al., “The natural history of progressive fibrosing interstitial lung diseases,” European Respiratory Journal, vol. 55, no. 6, p. 2000085, Jun. 2020.
[5] F. Liu et al., “The application of artificial intelligence to chest medical image analysis,” Intelligent Medicine, Jul. 2021.
[6] A. A. Peters et al., “Performance of an AI based CAD system in solid lung nodule detection on chest phantom radiographs compared to radiology residents and fellow radiologists,” Journal of Thoracic Disease, vol. 13, no. 5, pp. 2728–2737, May 2021.
[7] E. Matsuyama, “A Novel Method for Automated Lung Region Segmentation in Chest X-Ray Images,” Journal of Biomedical Science and Engineering, vol. 14, no. 06, pp. 288–299, 2021.
[8] J. Rasheed, A. A. Hameed, C. Djeddi, A. Jamil, and F. Al-Turjman, “A machine learning-based framework for diagnosis of COVID-19 from chest X-ray images,” Interdisciplinary Sciences: Computational Life Sciences, vol. 13, no. 1, pp. 103–117, Mar. 2021.
[9] R. Zhang et al., “Diagnosis of Coronavirus Disease 2019 Pneumonia by Using Chest Radiography: Value of Artificial Intelligence,” Radiology, vol. 298, no. 2, pp. E88–E97, Feb. 2021.
[10] T. Kwon et al., “Diagnostic performance of artificial intelligence model for pneumonia from chest radiography,” PLOS ONE, vol. 16, no. 4, p. e0249399, Apr. 2021.
[11] W. Khan, N. Zaki, and L. Ali, “Intelligent Pneumonia Identification From Chest X-Rays: A Systematic Literature Review,” IEEE Access, vol. 9, pp. 51747–51771, 2021.
[12] A. Olson et al., “Estimation of the Prevalence of Progressive Fibrosing Interstitial Lung Diseases: Systematic Literature Review and Data from a Physician Survey,” Advances in Therapy, vol. 38, no. 2, pp. 854–867, Feb. 2021.
[13] S. T. H. Kieu, A. Bade, M. H. A. Hijazi, and H. Kolivand, “A Survey of Deep Learning for Lung Disease Detection on Medical Images: State-of-the-Art, Taxonomy, Issues and Future Directions,” Journal of Imaging, vol. 6, no. 12, p. 131, Dec. 2020.
[14] D. R. Sarvamangala and R. V. Kulkarni, “Convolutional neural networks in medical image understanding: a survey,” Evolutionary Intelligence, Jan. 2021.
[15] J. Ma, Y. Song, X. Tian, Y. Hua, R. Zhang, and J. Wu, “Survey on deep learning for pulmonary medical imaging,” Frontiers of Medicine, vol. 14, no. 4, pp. 450–469, Aug. 2020.
[16] S. Chen and S. Wu, “Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Networks: Quantitative Analysis of Web-Based Survey Data,” Journal of Medical Internet Research, vol. 22, no. 3, p. e17695, Mar. 2020.
[17] U. R. Acharya et al., “Automated diabetic macular edema (DME) grading system using DWT, DCT Features and maculopathy index,” Computers in Biology and Medicine, vol. 84, pp. 59–68, May 2017.
[18] S. Bharati, P. Podder, and M. R. H. Mondal, “Hybrid deep learning for detecting lung diseases from X-ray images,” Informatics in Medicine Unlocked, vol. 20, p. 100391, 2020.
[19] “NIH sample Chest X-rays dataset,” 2022. [Online]. Available: https://www.kaggle.com/nih-chest-xrays/sample,.
[20] L. L. G. Oliveira, S. A. e Silva, L. H. V. Ribeiro, R. M. de Oliveira, C. J. Coelho, and A. L. S. S. Andrade, “Computer-aided diagnosis in chest radiography for detection of childhood pneumonia,” International Journal of Medical Informatics, vol. 77, no. 8, pp. 555–564, Aug. 2008.
[21] J. G. Greener, S. M. Kandathil, L. Moffat, and D. T. Jones, “A guide to machine learning for biologists,” Nature Reviews Molecular Cell Biology, Sep. 2021.
[22] S. Yousefi, F. Derakhshan, and H. Karimipour, “Applications of Big Data Analytics and Machine Learning in the Internet of Things,” in Handbook of Big Data Privacy, Cham: Springer International Publishing, 2020, pp. 77–108.
[23] E. Yahaghi, M. Mirzapour, and A. Movafeghi, “Comparison of traditional and adaptive multi-scale products thresholding for enhancing the radiographs of welded object,” The European Physical Journal Plus, vol. 136, no. 7, p. 744, Jul. 2021.
[24] Y. Dong, X. Ma, and T. Fu, “Electrical load forecasting: A deep learning approach based on K-nearest neighbors,” Applied Soft Computing, vol. 99, p. 106900, Feb. 2021.
[25] A. Khatri, R. Jain, H. Vashista, N. Mittal, P. Ranjan, and R. Janardhanan, “Pneumonia Identification in Chest X-Ray Images Using EMD,” 2020, pp. 87–98.
[26] R. V. Adiraju, K. K. Masanipalli, T. D. Reddy, R. Pedapalli, S. Chundru, and A. K. Panigrahy, “An extensive survey on finger and palm vein recognition system,” Materials Today: Proceedings, vol. 45, pp. 1804–1808, 2021.
[27] S. Varela-Santos and P. Melin, “Classification of X-Ray Images for Pneumonia Detection Using Texture Features and Neural Networks,” 2020, pp. 237–253.
[28] S. Aouat, I. Ait-hammi, and I. Hamouchene, “A new approach for texture segmentation based on the Gray Level Co-occurrence Matrix,” Multimedia Tools and Applications, vol. 80, no. 16, pp. 24027–24052, Jul. 2021.
[29] M. Kubat, “Artificial Neural Networks,” in An Introduction to Machine Learning, Cham: Springer International Publishing, 2021, pp. 117–143.
[30] P. Chhikara, P. Singh, P. Gupta, and T. Bhatia, “Deep Convolutional Neural Network with Transfer Learning for Detecting Pneumonia on Chest X-Rays,” 2020, pp. 155–168.
[31] H. Song, xiu-ying Han, C. E. Montenegro-Marin, and S. Krishnamoorthy, “Secure prediction and assessment of sports injuries using deep learning based convolutional neural network,” Journal of Ambient Intelligence and Humanized Computing, vol. 12, no. 3, pp. 3399–3410, Mar. 2021.
[32] M. Yildirim, “Analog circuit implementation based on median filter for salt and pepper noise reduction in image,” Analog Integrated Circuits and Signal Processing, vol. 107, no. 1, pp. 195–202, Apr. 2021.
[33] A. Kumar, R. K. Jha, and N. K. Nishchal, “An improved Gamma correction model for image dehazing in a multi-exposure fusion framework,” Journal of Visual Communication and Image Representation, vol. 78, p. 103122, Jul. 2021.
[34] G. Ulutas and B. Ustubioglu, “Underwater image enhancement using contrast limited adaptive histogram equalization and layered difference representation,” Multimedia Tools and Applications, vol. 80, no. 10, pp. 15067–15091, Apr. 2021.
[35] M. S. El_Tokhy, “Development of optimum watermarking algorithm for radiography images,” Computers & Electrical Engineering, vol. 89, p. 106932, Jan. 2021.
[36] S. Thakur, Y. Goplani, S. Arora, R. Upadhyay, and G. Sharma, “Chest X-Ray Images Based Automated Detection of Pneumonia Using Transfer Learning and CNN,” 2021, pp. 329–335.
[37] G. Liang and L. Zheng, “A transfer learning method with deep residual network for pediatric pneumonia diagnosis,” Computer Methods and Programs in Biomedicine, vol. 187, p. 104964, Apr. 2020.
[38] H. Wu, P. Xie, H. Zhang, D. Li, and M. Cheng, “Predict pneumonia with chest X-ray images based on convolutional deep neural learning networks,” Journal of Intelligent & Fuzzy Systems, vol. 39, no. 3, pp. 2893–2907, Oct. 2020.
[39] S. Weppler et al., “Determining Clinical Patient Selection Guidelines for Head and Neck Adaptive Radiation Therapy Using Random Forest Modelling and a Novel Simplification Heuristic,” Frontiers in Oncology, vol. 11, Jun. 2021.
[40] R. Sarkar, A. Hazra, K. Sadhu, and P. Ghosh, “A Novel Method for Pneumonia Diagnosis from Chest X-Ray Images Using Deep Residual Learning with Separable Convolutional Networks,” 2020, pp. 1–12.
[41] E. Yahaghi, M. Mirzapour, A. Movafeghi, and B. Rokrok, “Interlaced bilateral filtering and wavelet thresholding for flaw detection in the radiography of weldments,” The European Physical Journal Plus, vol. 135, no. 1, p. 42, Jan. 2020.
[42] A. Vidyarthi and A. Malik, “A hybridized modified densenet deep architecture with CLAHE algorithm for humpback whale identification and recognition,” Multimedia Tools and Applications, Jul. 2021.
[43] W.-N. Mohd-Isa, J. Joseph, N. Hashim, and N. Salih, “Enhancement of digitized X-ray films using Contrast-Limited Adaptive Histogram Equalization (CLAHE),” F1000Research, vol. 10, p. 1051, Oct. 2021.
[44] D. Ziou, N. Nacereddine, and A. B. Goumeidane, “Scale space Radon transform,” IET Image Processing, vol. 15, no. 9, pp. 2097–2111, Jul. 2021.
[45] O. Ramos-Soto et al., “An efficient retinal blood vessel segmentation in eye fundus images by using optimized top-hat and homomorphic filtering,” Computer Methods and Programs in Biomedicine, vol. 201, p. 105949, Apr. 2021.
[46] M. Shajahan, S. A. M. Aris, S. Usman, and N. M. Noor, “IRPMID: Medical XRAY Image Impulse Noise Removal using Partition Aided Median, Interpolation and DWT,” in 2021 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), 2021, pp. 105–110.
[47] X. Wang and X. Chen, “An image encryption algorithm based on dynamic row scrambling and Zigzag transformation,” Chaos, Solitons & Fractals, vol. 147, p. 110962, Jun. 2021.
[48] H. Yao, Y. Zhang, Y. Wei, and Y. Tian, “Broad Learning System with Locality Sensitive Discriminant Analysis for Hyperspectral Image Classification,” Mathematical Problems in Engineering, vol. 2020, pp. 1–16, Dec. 2020.
[49] S. B. Scott et al., “A Coordinated Analysis of Variance in Affect in Daily Life,” Assessment, vol. 27, no. 8, pp. 1683–1698, Dec. 2020.
[50] H. Lu and X. Ma, “Hybrid decision tree-based machine learning models for short-term water quality prediction,” Chemosphere, vol. 249, p. 126169, Jun. 2020.
[51] H. Saadatfar, S. Khosravi, J. H. Joloudari, A. Mosavi, and S. Shamshirband, “A New K-Nearest Neighbors Classifier for Big Data Based on Efficient Data Pruning,” Mathematics, vol. 8, no. 2, p. 286, Feb. 2020.
[52] D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Elsevier, 2020, pp. 101–121.
[53] X. Yang et al., “Research and applications of artificial neural network in pavement engineering: A state-of-the-art review,” Journal of Traffic and Transportation Engineering (English Edition), Oct. 2021.
[54] A. M. Alqudah, S. Qazan, and I. S. Masad, “Artificial Intelligence Framework for Efficient Detection and Classification of Pneumonia Using Chest Radiography Images,” Journal of Medical and Biological Engineering, Jun. 2021.
[55] I. MEJÀRE, H.-G. GRÖNDAHL, K. CARLSTEDT, A.-C. GREVER, and E. OTTOSSON, “Accuracy at radiography and probing for the diagnosis of proximal caries,” European Journal of Oral Sciences, vol. 93, no. 2, pp. 178–184, Apr. 1985.
[56] J. T. Braggio, E. S. Hall, S. A. Weber, and A. K. Huff, “Contribution of AOD-PM2.5 surfaces to respiratory-cardiovascular hospital events in urban and rural areas in Baltimore, Maryland, USA: New analytical method correctly identified true positive cases and true negative controls,” Atmospheric Environment, vol. 262, p. 118629, Oct. 2021.
[57] S. Sahoo, A. Subudhi, M. Dash, and S. Sabut, “Automatic Classification of Cardiac Arrhythmias Based on Hybrid Features and Decision Tree Algorithm,” International Journal of Automation and Computing, vol. 17, no. 4, pp. 551–561, Aug. 2020.
[58] X. XU, W. CHEN, and Y. SUN, “Over-sampling algorithm for imbalanced data classification,” JSEE, vol. 30, no. 6, pp. 1182–1191, 2019.
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال پانزدهم، شمارههاي 55 و 56، بهار و تابستان 1402 صفحات:124 الی 140 |
|
Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images
Shamim Yousefi*, Samad Najjar Ghabel*
Assistant professor, University of Mohaghegh Ardabili.Ardabil *
Abstract
The use of raw radiography results in lung disease identification has not acceptable performance. Machine learning can help identify diseases more accurately. Extensive studies were performed in classical and deep learning-based disease identification, but these methods do not have acceptable accuracy and efficiency or require high learning data. In this paper, a new method is presented for automatic interstitial lung disease identification on radiography images to address these challenges. In the first step, patient information is removed from the images; the remaining pixels are standardized for more precise processing. In the second step, the reliability of the proposed method is improved by Radon transform, extra data is removed using the Top-hat filter, and the detection rate is increased by Discrete Wavelet Transform and Discrete Cosine Transform. Then, the number of final features is reduced with Locality Sensitive Discriminant Analysis. The processed images are divided into learning and test categories in the third step to create different models using learning data. Finally, the best model is selected using test data. Simulation results on the NIH dataset show that the decision tree provides the most accurate model by improving the harmonic mean of sensitivity and accuracy by up to 1.09times compared to similar approaches.
Keywords:Locality Sensitive Discriminant Analysis, Discrete Wavelet Transform, Discrete Cosine Transform, Interstitial lung disease identification, Radiography images, Decision tree
تشخیص خودکار بیماری های ریوی با استفاده از ویژگی های مبتنی بر تبدیل کسینوسی گسسته در تصاویر رادیوگرافی
شمیم یوسفی*، صمد نجارقابل× *
* استادیار دانشگاه محقق اردبیلی، اردبیل، دانشگاه محقق اردبیلی، دانشکده فنی مهندسی، گروه مهندسی برق و کامپیوتر
تاریخ دریافت: 08/11/ 1400 تاریخ پذیرش: 08/12/1400
نوع مقاله: پژوهشی
چكیده
استفاده از نتایج خام رادیوگرافی در تشخیص بیماریهای ریوی عملکرد قابلقبولی ندارد. یادگیری ماشین میتواند به تشخیص دقیقتر بیماریها کمک کند. مطالعات گستردهای در حوزه تشخیص خودکار بیماریها با کمک یادگیری ماشین کلاسیک و عمیق انجام شده؛ اما این روشها دقت و کارایی قابلقبولی ندارند یا به دادههای یادگیری زیادی نیاز دارند. برای مقابله با این چالشها، در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی در تصاویر رادیوگرافی ارائه میشود. در گام اول، اطلاعات بیمار از تصاویر حذف شده؛ سپس، پیکسلهای باقیمانده، جهت پردازشهای دقیقتر، استانداردسازی میشوند. در گام دوم، پایایی روش پیشنهادی با کمک تبدیل رادان بهبود یافته، دادههای اضافی با استفاده از فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و تبدیل کسینوسی گسسته افزایش مییابد. سپس، تعداد ویژگیهای نهایی با کمک آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده به دو دسته یادگیری و تست تقسیم میشوند؛ با استفاده از دادههای یادگیری، مدلهای مختلفی ایجاد شده و با کمک دادههای تست، بهترین مدل انتخاب میشود. نتایج شبیهسازیها بر روی مجموعه داده NIH نشان میدهد که روش پیشنهادی مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت تا 08/1برابر، دقیقترین مدل را ارائه میدهد.
واژگان کلیدی: آنالیز تشخیصی حساس به مکان، تبدیل کسینوسی گسسته، تبدیل موجک گسسته، تشخیص بیماریهای ریوی بینابینی، تصاویر رادیوگرافی، درخت تصمیم.
1.مقدمه
امروزه، بیماریهای ریوی بینابینی مانند ذاتالریه و سل ریوی که بر ساختار ریه تأثیر میگذارند، یکی از دلایل اصلی مرگومیر در سرتاسر جهان به شمار میروند [1], [2] اگر این بیماریهای عفونی بهموقع تشخیص داده نشوند، کشندهتر خواهند بود؛ درواقع، رشد سریع ناهنجاریهای ریوی میتواند منجر به تشکیل تومور در بدن بیمار شده و احتمال مرگ او را افزایش دهد [3]. طبق گزارشهای سازمان بهداشت جهانی، بیماریهای ریوی بینابینی، بعد از ایدز، دومین عامل کشنده در جهان هستند که هرساله، تقریباً 6/1میلیون قربانی میگیرند [4].
رادیوگرافی قفسه سینه اولین روش تصویربرداری است که به دنبال بروز علائم بیماری در بدن افراد، برای تشخیص عوارض مختلف ریوی مانند ذاتالریه، سل، سرطان ریه و غیره مورداستفاده قرار میگیرد [5], [6]. ازآنجاییکه نتایج رادیوگرافی، آناتومی قفسه سینه را بهطور کامل نشان میدهد، برآمدگی جانبی آن میتواند محل دقیق ناهنجاریهای ریه در بدن بیمار را مشخص کند [7]. علاوه بر این، رادیوگرافی قفسه سینه نسبت به سایر روشهای تصویربرداری مانند سونوگرافی و سیتیاسکن، ارزانتر است [8]؛ بنابراین، در جامعه پزشکی امروز، از رادیوگرافی قفسه سینه برای شناسایی بیماریهای اندامهای داخلی ازجمله ریه، بهطور گسترده استفاده میشود. بااینحال، استفاده از نتایج خام رادیوگرافی قفسه سینه، گاهی اوقات در تشخیص بیماریهای ریوی عملکرد قابلقبولی ندارد [9]. استفاده از رویکردهای آنالیز تصویر مبتنی بر یادگیری ماشین میتواند به شناسایی دقیقتر و سریعتر هر نوع ناهنجاری در ریههای بیمار کمک شایانی کند [10].
بررسیها نشان میدهند که مطالعات گستردهای در حوزه تشخیص خودکار بیماریهای ریوی بینابینی با بهرهبرداری از رویکردهای مبتنی بر یادگیری ماشین انجام شده است. گروهی از این رویکردها از الگوریتمهای کلاسیک مانند نزدیکترین همسایه وزندار مبتنی بر فاصله اقلیدسی، فاصله EarthMovers، ماتریس همرویداد برای سطوح خاکستری و شبکه عصبی مصنوعی برای تمایز بین ریههای سالم و بیمار در تصاویر رادیوگرافی بهره بردند [11], [12]. اگرچه این روشها کارایی قابلقبولی داشتند، اما به دلیل عدم استفاده از مرحله پیشپردازش برای حذف نویز از تصاویر ورودی، حساسیت به چرخش تصویر، مقیاسبندی و شدت، استفاده از طبقهبندیکننده دودویی و عدم توجه به تقسیم دادهای استاندارد، دقت قابلقبولی را برای برنامههای کاربردی پزشکی ارائه نمیدهند [13]. برای مقابله با این چالش، گروه دیگری از نویسندگان، استفاده از رویکردهای مبتنی بر یادگیری عمیق را پیشنهاد کردند [14], [15] اگرچه این رویکردها دقت تشخیص بالایی را ارائه میدهند، اما به تعداد دادههای یادگیری زیادی نیاز دارند [16].
در اغلب برنامههای کاربردی پزشکی جهت تشخیص بیماریها، هدف اصلی به حداکثر رساندن دقت تشخیص با استفاده از حداقل تعداد دادههای یادگیری است [17]؛ بنابراین، در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی با استفاده از ویژگیهای تبدیل کسینوسی گسسته در تصاویر رادیوگرافی ارائه میشود؛ این روش، تشخیص خودکار بیماریهای ریوی (ALDI2) نام دارد. در گام اول از روش ALDI، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف میشود. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. در گام دوم، پایایی روش ALDI با استفاده از تبدیل رادان، به نویزهای سفید (صفر) بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش مییابد. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده در مراحل پیشین، به دو دسته یادگیری و تست تقسیم میشوند تا با استفاده از دادههای یادگیری، مدلهای مختلفی جهت تشخیص خودکار بیماریهای ریوی ساخته شود. درنهایت، با استفاده از دادههای تست، مدلهای ساختهشده ارزیابی شده و بهترین آنها، بهعنوان مدل نهایی انتخاب میشود.
نتایج حاصل از شبیهسازی روش پیشنهادی بر روی مجموعه داده مرکز بالینی NIH [18], [19] نشان میدهد که طبقهبندیکننده درخت تصمیم با افزایش مقدار متوسط F-Value نسبت به رویکردهای K-نزدیکترین همسایه، ماشین بردار پشتیبان و شبکه عصبی مصنوعی، تصاویر رادیوگرافی قفسه سینه را با صحت و حساسیت بیشتری طبقهبندی میکند. همچنین، این رویکرد با به حداقل رساندن خطای اعتبارسنجی متقابل در تشخیص خودکار بیماریهای ریوی بینابینی، عملکرد بهتری نسبت به سایر طبقهبندیکنندهها دارد. علاوه بر این موارد، روش مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت، دقیقترین مدل را نسبت به رویکردهای اخیر موجود در حوزه تشخیص خودکار بیماریهای بینابینی ریوی ارائه میدهد. بر این اساس، استفاده از رویکرد درخت تصمیم برای طبقهبندی تصاویر پردازششده میتواند دقیقترین نتایج را در برنامههای کاربردی پزشکی مانند تشخیص خودکار بیماریهای بینابینی ریوی ارائه دهد.
بهطور خلاصه، نوآوریهای اصلی این مقاله به شرح زیر میباشند:
• ارائه روشی نوین جهت تشخیص خودکار بیماریهای ریوی با حداکثر دقت و با استفاده از حداقل تعداد دادههای یادگیری.
• بهبود نرخ تشخیص با استفاده از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته.
• کاهش تعداد ویژگیهای مورداستفاده با استفاده از رویکرد آنالیز تشخیصی حساس به مکان.
• استفاده از رویکردهای مختلف برای استخراج بهترین مدل جهت طبقهبندی تصاویر پردازششده به دو گروه ریههای سالم و بیمار با حداکثر حساسیت و کمترین میزان خطای اعتبارسنجی متقابل.
ساختار بخشهای بعدی مقاله، به شرح زیر تنظیم شده است: در بخش دوم، رویکردهای پیشین موجود جهت تشخیص خودکار بیماریهای ریوی بررسی خواهند شد. بخش سوم، شامل توضیحاتی در مورد گامهای اصلی روش پیشنهادی مقاله است. در بخش چهارم، به ارزیابی نتایج حاصل از راهکار پیشنهادی و مقایسه آن با آخرین روشهای موجود پرداخته شده، نشان داده میشود که روش ALDI تا چه حد توانسته است به اهداف موردنظر مقاله نزدیک شود. درنهایت، نتیجهگیری مقاله در بخش پنجم آورده شده است.
1- روشهای پیشین
بررسیها نشان میدهند که مطالعات گستردهای در حوزه تشخیص خودکار بیماریهای ریوی با استفاده از رویکردهای مبتنی بر یادگیری ماشین انجام شده است. در همین راستا، الیوریا و همکاران او [20] شبکه مبتنی بر یادگیری ماشین [21], [22] را برای تشخیص بیماریهای ریوی، بهویژه ذاتالریه ارائه کردند. نویسندگان، زیرمجموعهای از 40 تصویر پایگاه داده (20 تصویر از ریه سالم و 20 تصویر از ریه بیمار) را برای آموزش روش پیشنهادی استفاده کردند. سامانه موردنظر با استفاده از 20 تصویر آزمایشی تصادفی دیگر که از همان پایگاه داده استخراج شده بود، مورد ارزیابی قرار گرفت. در این روش، ویژگیهای پایهای با بهرهگیری از هشت عامل تبدیل موجک [23] استخراج شدند. سپس، ویژگیهای تصاویر ریههای سالم و ناسالم با کمک روش نزدیکترین همسایه وزندار مبتنی بر فاصله اقلیدسی [24] متمایز شدند. اگرچه استفاده از این رویکردهای مبتنی بر تبدیل موجک توانسته است دقت استخراج ویژگیها از تصاویر رادیوگرافی را بهبود بخشد، اما این روش فاقد مرحله پیشپردازش برای حذف نویز از تصاویر ورودی است.
خاتری و همکاران او [25] استفاده از فاصله EarthMovers [26] را برای تشخیص ذاتالریه در تصاویر رادیوگرافی پیشنهاد کردند. در مرحله پیشپردازش، نویسندگان مناطق ریه در تصاویر خام را جهت حذف نویزهای احتمالی برش دادند. سپس، شدت تصاویر استانداردسازی شده و از تفاوت فاصلهEarthMovers برای تشخیص نمونههای بیمار از سالم استفاده شد. اگرچه استفاده از رویکرد مبتنی بر فاصله EarthMovers، دقت قابلقبولی دارد، اما این روش به تغییرات ناشی از چرخش تصویر، مقیاسبندی و شدت، حساس است؛ بنابراین، نمیتواند حجم بالایی از دادهها را مدیریت کند.
وارلا-سانتوس و پاتریشیا [27] یک رویکرد مبتنی بر یادگیری ماشین برای طبقهبندی تصاویر رادیوگرافی شامل ریههای سالم و مبتلا به بیماریهای بینابینی معرفی کردند. ابتدا، نویسندگان از روش پیشپردازش مبتنی بر یکسانسازی هیستوگرام جهت استخراج مناطق ریه از تصاویر ورودی و تغییر اندازه دادهها استفاده کردند. برای استخراج ویژگیها و طبقهبندی تصاویر نیز، ماتریس همرویداد برای سطوح خاکستری [28] و شبکه عصبی مصنوعی [29] مورداستفاده قرار گرفتند. نتایج تجربی نشان میدهد که این روش نهتنها دقت پایینی دارد، بلکه فقط از طبقهبندیکننده دودویی برای تشخیص ریههای بیمار در تصاویر رادیوگرافی استفاده میکند.
چیکارا و همکاران او [30] از رویکردهای پیشپردازش و شبکه عصبی پیچشی از پیش آموزشدیده [31] برای تجزیهوتحلیل تصاویر و تشخیص اشیا، جهت تمایز بین تصاویر رادیوگرافی مبتلا به ذاتالریه و ریه سالم در کودکان استفاده کردند. درواقع، این روش از فیلتر میانه [32] برای کاهش نویزهای احتمالی موجود در تصاویر ورودی، از تصحیح گاما [33] برای نمایش درست پیکسلها، از همسانسازی هیستوگرام تطبیقی [34] برای بهبود کیفیت تصاویر و از رویکرد فشردهسازی JPEG [35] برای فشردهسازی اندازه تصاویر، بدون آسیب رساندن به کیفیت آنها بهره میبرد. نتایج تجربی نشان میدهد که استفاده از شبکه عصبی پیچشی از پیش آموزشدیده میتواند به تشخیص دقیقتر بیماریهای ریوی بینابینی در کودکان کمک کند؛ اما به تعداد دادههای یادگیری بالایی نیاز دارد.
تاکور و همکاران او [36] نیز از شبکه عصبی عمیق VGG16 از پیش آموزشدیده برای تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی استفاده کردند. در مرحله آموزش، نویسندگان از آموزش انتقال و تنظیم دقیق، جهت بالا بردن دقت تشخیص بهره بردند؛ بااینحال، نتایج حاصل از این مدل امیدوارکننده نبود [11]. برای بهبود نتایج حاصل از شبکههای عصبی عمیق، لیانگ و همکاران او [37]، شبکه عصبی پیچشی 49-لایهای را جهت تشخیص بیماریهای ریوی بینابینی مانند ذاتالریه بر روی مجموعه داده حاصل از تصاویر رادیوگرافی ریه کودکان ارائه دادند. این رویکرد، مشکل وضوح پایین تصاویر رادیوگرافی و همپوشانی در ناحیه التهابی دادههای اولیه را حل کرده، با کمک پارامترهای وزندار، روند تشخیص را در مجموعه دادههایی با مقیاس بزرگ بهبود بخشید. اگرچه این رویکرد نیز مشابه سایر روشهای مبتنی بر شبکههای عصبی عمیق، با کاهش تأثیر نویزهای موجود در دادهها، دقت تشخیص را بالا میبرد، اما به تعداد دادههای یادگیری بالایی نیاز دارد.
وو و همکاران او [38] استفاده ترکیبی از فیلتر میانی تطبیقی، الگوریتم جنگل تصادفی [39] و شبکه عصبی عمیق را برای تشخیص بیماری ذاتالریه در تصاویر رادیوگرافی پیشنهاد کردند. در این رویکرد، ابتدا نویزهای موجود در دادههای اولیه توسط فیلتر میانی تطبیقی حذف میشود. سپس، ویژگیهای موردنظر توسط شبکه عصبی عمیق استخراج شده، درنهایت، تصاویر با استفاده از الگوریتم جنگل تصادفی طبقهبندی میشوند. هراتی و همکاران او [18] نیز رویکرد ترکیبی مبتنی بر شبکه ترانسفورماتور فضایی، تقویت دادهها و شبکههای عصبی عمیق را جهت تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی با جهتگیریهای مختلف ارائه کردند. نتایج بررسیها نشان میدهد که اگرچه رویکردهای ترکیبی، سریعتر از سایر روشهای مشابه به نتیجه میرسند، اما دقت قابلقبولی ندارند. در مقاله دیگری، سرکار و همکاران او [40] روش مبتنی بر پیشپردازشی را برای ارائه مدل بهینه یادگیری عمیق جهت تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی پیشنهاد کردند. نویسندگان از فیلتر دوطرفه [41] و الگوریتم CLAHE [42] برای بهبود کیفیت تصاویر ورودی بهره بردند. همچنین، یک مدل اصلاحشده یادگیری عمیق که از لایه شکاف بهجای لایه پهن استفاده میکند، جهت بهبود دقت تشخیص معرفی شد. اگرچه این رویکرد دقت قابلقبولی دارد، اما از تقسیم دادهای استاندارد برای ارزیابی روند تشخیص بیماری استفاده نمیکند.
درنهایت، رویکردهای جدیدتر بر تشخیص خودکار بیماری COVID-19 در تصاویر رادیوگرافی قفسه سینه تمرکز کردهاند [43]–[46] اغلب این روشها، شبکه عصبی عمیق را جهت تجزیهوتحلیل دقیقتر تصاویر دادهای استاندارد مورداستفاده قرار دادهاند. بااینحال، این رویکردها نیز به تعداد دادههای یادگیری زیادی نیاز دارند.
بررسی دقیقتر روشهای پیشین موجود در حوزه تشخیص خودکار بیماریهای ریوی بینابینی نشان میدهد که اغلب این رویکردها به دلیل عدم استفاده از مرحله پیشپردازش برای حذف نویز از تصاویر ورودی، حساسیت به چرخش تصویر، مقیاسبندی و شدت، استفاده از طبقهبندیکننده دودویی و عدم توجه به تقسیم دادهای استاندارد، دقت قابلقبولی را برای برنامههای کاربردی پزشکی ارائه نمیدهند. علاوه بر این، رویکردهای مبتنی بر یادگیری عمیق با دقت تشخیص بالا، به تعداد دادههای یادگیری زیادی نیاز دارند. این در حالی است که در اغلب برنامههای کاربردی پزشکی جهت تشخیص بیماریها، هدف اصلی به حداکثر رساندن دقت تشخیص با استفاده از حداقل تعداد دادههای یادگیری است.
2- روش پیشنهادی
در این بخش، یک روش جدید مبتنی بر هوش مصنوعی برای تشخیص خودکار بیماریهای ریوی بینابینی در تصاویر رادیوگرافی قفسه سینه ارائه خواهد شد. روش ارائهشده، تشخیص خودکار بیماریهای ریوی (ALDI) نام دارد. همانطور که در شکل 1 نشان داده شده است، روش ALDI شامل سه گام پیشپردازش، پردازش اصلی و طبقهبندی است. در گام اول، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف میشود. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. در گام دوم، پایایی روش پیشنهادی با استفاده از تبدیل رادان، به نویزهای سفید (صفر) بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش مییابد. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از حالت بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده در مراحل پیشین به دو دسته یادگیری و تست تقسیم شده؛ با استفاده از دادههای یادگیری، مدلهای مختلفی ایجاد میشود. درنهایت، با کمک دادههای تست، مدلهای ساختهشده، ارزیابی شده و بهترین آنها بهعنوان مدل نهایی انتخاب میشود.
× نویسنده مسئول: صمد نجارقابل، samad.najjar@gmail.com
[2] Automatic Lung Diseases Identification
شكل 1: شمای کلی روش پیشنهادی (ALDI)
3-1 گام اول: پیشپردازش
در اولین گام از روش ALDI، اطلاعات بیماران از تصاویر خام رادیوگرافی قفسه سینه حذف میشود، بهطوریکه فقط پیکسلهای مربوط به اندامهای قفسه سینه باقی بمانند. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. علاوه بر این، کنتراست تصاویر رادیوگرافی قفسه سینه با اندازه طبیعی و غیرطبیعی، با استفاده از رویکرد همسانسازی هیستوگرام تطبیقی کنتراست محدود [47] بهبود مییابد. این رویکرد، تصاویر ورودی را که اندازه آنها تغییر داده شده است، به پنجرههایی با اندازه مشخص تقسیم میکند تا همسانسازی هیستوگرام تطبیقی را روی آنها اجرا کند. درنتیجه، شدت پیکسلهای پنجرهها با مقادیر شدت جدید جایگزین میشوند تا با مقادیر هیستوگرامهای شدت هر پنجره، سازگار باشند. شکل 2 تصاویر رادیوگرافی ریههای سالم و بیمار را که اندازه آنها تغییر داده شده است، نشان میدهد.
|
|
(الف) | (ب) |
شكل 2: تصاویر رادیوگرافی قفسه سینه که اندازه آنها تغییر داده شده است؛ الف) ریه سالم و ب) ریه بیمار.
3-2 گام دوم: پردازش اصلی
در این گام، پردازش اصلی روش ALDI بر روی تصاویر رادیوگرافی قفسه سینه که اندازه آنها تغییر داده شده است، اعمال میشود. این گام، شامل مراحل تبدیل رادان، فیلتر Top-hat، تبدیل موجک گسسته، تبدیل کسینوسی گسسته، رویکرد زیگزاگ و آنالیز تشخیصی حساس به مکان است. به بیان دقیقتر، پایایی روش ALDI با استفاده از تبدیل رادان، به نویزهای سفید (صفر) بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش مییابد. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از حالت بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان کاهش مییابد. در ادامه، هر یک از این مراحل تشریح خواهند شد.
3-2-1 تبدیل رادان
در برنامههای کاربردی پزشکی با هدف تشخیص بیماریهای خاص، استفاده از تبدیل رادان بر روی تصاویر رادیوگرافی که اندازه آنها تغییر داده شده است، میتواند پایایی روش ALDI را به نویزهای سفید (صفر) بهبود دهد [48]. تابع تبدیل رادان دوبعدی بهصورت (1) تعریف میشود:
(1) |
|
در این معادله، پارامتریزه شدن خط مستقیم L با توجه به طول کمان z بهصورت (2) صورت میگیرد:
(2) |
|
در این معادله، s فاصله L از مبدأ و زاویهای است که بردار نرمال L با محور xها میسازد. مقادیر (α,s) بهعنوان مختصات مساحت روی خطوط در فضای دوبعدی در نظر گرفته میشوند. تبدیل رادان در این مختصات بهصورت (3) تعریف میشود:
(3) |
|
خروجی حاصل از اعمال تبدیل رادان دوبعدی بر روی تصاویر رادیوگرافی قفسه سینه که اندازه آنها تغییر داده شده، در شکل 3 نشان داده شده است.
|
|
(الف) | (ب) |
شكل 3: نتایج حاصل از اعمال تبدیل رادان بر روی تصاویر رادیوگرافی که اندازه آنها تغییر داده شده است؛ الف) ریه سالم و ب) ریه بیمار.
3-2-2 فیلتر Top-hat
خروجی حاصل از اعمال تبدیل رادان، بهعنوان ورودی مرحله فیلتر Top-hat استفاده میشود؛ یعنی پس از تبدیل رادان، فیلتر Top-hat بر روی تصاویر رادیوگرافی ورودی اعمال میشود تا دادههای اضافی را حذف کند. فرآیند اصلی فیلتر Top-hat شامل دو نوع فیلتر (بر اساس تغییر عملکرد عناصر ساختاری) است [49]:
• فیلتر Top-hat سیاه که ساختارهای تیره را از تصاویر رادیوگرافی قفسه سینه استخراج میکند.
• فیلتر Top-hat سفید که ساختارهای روشن را از تصاویر رادیوگرافی قفسه سینه استخراج میکند.
اعمال فیلتر Top-hat بر روی تصاویر رادیوگرافی، روند تشخیص بیماریهای ریوی بینابینی را بهبود میبخشد. درواقع، فرآیند فیلتر کردن، شیب بین پیکسلهای روشن و تیره را در تصاویر ورودی افزایش میدهد؛ بنابراین، پیکسلهای اضافی از تصاویر رادیوگرافی حذف شده، درنتیجه، لبههای این پیکسلها مشخصتر میشوند. نتایج حاصل از فیلتر Top-hat بر روی تصاویر رادیوگرافی قفسه سینه که تبدیل رادان بر روی آنها اعمال شده، در شکل 4 نشان داده شده است.
|
|
(الف) | (ب) |
شكل 4: نتایج حاصل از اعمال فیلتر Top-hat؛ الف) ریه سالم و ب) ریه بیمار.
3-2-3 تبدیل موجک گسسته
برای بهبود نرخ تشخیص در برنامههای کاربردی پزشکی مانند تجزیهوتحلیل تصاویر رادیوگرافی، میتوان بر روی پیکسلهای حاصل از مرحله فیلتر Top-hat، تبدیل موجک گسسته را اعمال کرد [50]. اعمال تابع تبدیل موجک گسسته هار بر روی تصاویر رادیوگرافی قفسه سینه میتواند تغییرات ناگهانی در ضرایب سیگنال را با توجه به شکل آنها، بهطور مؤثری بازیابی کند. درواقع، نتایج تبدیل موجک گسسته، ضرایب افقی، عمودی و مورب را با فیلترهای بالاگذر و پایینگذر جدا میکند. نتایج حاصل از اعمال تبدیل موجک گسسته بر روی تصاویر رادیوگرافی قفسه سینه که فیلتر Top-hat بر روی آنها اعمال شده، در شکل 5 نشان داده شده است.
|
|
(الف) | (ب) |
شكل 5: نتایج حاصل از اعمال تبدیل موجک گسسته؛ الف) ریه سالم و ب) ریه بیمار.
3-2-4 تبدیل کسینوسی گسسته
ضرایب تقریبی حاصل از تبدیل موجک گسسته بهعنوان ورودی به مرحله تبدیل کسینوسی گسسته داده میشوند تا ویژگیهای حوزه فرکانس استخراج گردند، زیرا این ویژگیها در مقایسه با ضرایب حاصل از تبدیل موجک گسسته، توانایی تشخیص بهتری دارند. درواقع، تبدیل کسینوسی گسسته یک روش فشردهسازی تصویر است که ماتریس ویژگیهای حوزه فرکانس را استخراج میکند. نتایج حاصل از اعمال تبدیل کسینوسی گسسته بر روی ضرایب تقریبی حاصل از تبدیل موجک گسسته در شکل 6 نشان داده شده است.
|
|
(الف) | (ب) |
شكل 6: نتایج حاصل از اعمال تبدیل کسینوسی گسسته؛ الف) ریه سالم و ب) ریه بیمار.
3-2-5 رویکرد زیگزاگ
در این مرحله از تجزیهوتحلیل تصاویر رادیوگرافی قفسه سینه، تعداد محدودی از ضرایب حاصل از تبدیل کسینوسی گسسته، انتخاب میشوند؛ سایر ضرایب حذف خواهند شد. لازم به ذکر است که انتخاب ضرایب از ماتریس تبدیل کسینوسی گسسته یک مرحله حیاتی در فرآیند استخراج ویژگیها در برنامههای کاربردی تشخیص بیماریها است. در روش ALDI مقاله، از رویکرد زیگزاگ برای تبدیل ضرایب حاصل از تبدیل کسینوسی گسسته دوبعدی مستخرج به آرایه یکبعدی استفاده میشود [51]. به بیان دقیقتر، از رویکرد زیگزاگ جهت درهمآمیزی ضرایب حاصل از تبدیل کسینوسی گسسته استفاده میشود تا عناصر موجود در ماتریس دوبعدی ضرایب، اسکن شده؛ سپس از گوشه سمت چپ بالایی، بهصورت یک ماتریس یکبعدی مرتب شوند.
3-2-6 آنالیز تشخیصی حساس به مکان
در مرحله آخر از پردازش اصلی، آرایه ضرایب یکبعدی حاصل از تبدیل کسینوسی گسسته جهت کاهش ابعاد ویژگیها، بهعنوان ورودی الگوریتم آنالیز تشخیصی حساس به مکان مورداستفاده قرار میگیرند. الگوریتم آنالیز تشخیصی حساس به مکان کلاسها و همبستگی دادهها را مشخص میکند [52]. فرض بر این است که n داده X1,X2,...,Xn∈R نمونههای دلخواهی از M نوع مختلف هستند. فشردگی بین کلاسها (Cc) و تفکیکپذیری بین آنها (Cs) در این الگوریتم جهت کاهش بعد دادهها، به ترتیب، طبق (4) و (5) محاسبه میشوند:
(4) |
|
(5) |
|
در این معادلهها، k1= αTX1 و km= αTXm، به ترتیب نگاشتهای یکبعدی X1 و Xm را نشان میدهند. همچنین، X1 و Xm، به ترتیب به ماتریسهای وزن فشردگی بین کلاسها و تفکیکپذیری بین آنها اشاره دارند. α نیز جهت دادههای پیشبینیشده را نمایش میدهد.
درنهایت، تجزیهوتحلیل واریانس برای انتخاب ویژگیها استفاده میشود [53]. این روش، میانگین جمعیت بیش از دو کلاس را مقایسه میکند؛ اگر این اختلاف بیشتر از یک آستانه از پیش تعیینشده باشد، ویژگی بهعنوان یک ویژگی معنیدار در نظر گرفته میشود و بالعکس. رتبهبندی ویژگیها با استفاده از رویکرد تجزیهوتحلیل واریانس محاسبه میشود؛ ویژگی با بالاترین F-value، رتبه اول را به دست میآورد و بالعکس.
3-3 گام سوم: طبقهبندی
هدف گام آخر از روش ALDI، ایجاد مدل نهایی با کمک تصاویر پردازششده در مراحل قبلی است. بهعبارتدیگر، در این گام مدلهای مختلفی با استفاده از دادههای یادگیری ایجاد و بر اساس پارامترهای اساسی ارزیابی میشوند تا بهترین مدل بهعنوان خروجی گزارش شود.
همانطور که در شکل 1 نشان داده شده است، دستیابی به هدف گام سوم از روش پیشنهادی، با اعمال چند مرحله ممکن خواهد بود؛ بدین صورت که بعد از اعمال دو گام قبلی روی همه تصاویر رادیوگرافی، دادهها به دو دسته یادگیری و تست تقسیم میشوند. سپس، الگوریتمهای مختلف طبقهبندی، جهت ایجاد مدلهای مناسب روی دادههای یادگیری اعمال میشوند. در ادامه، با استفاده از دادههای تست، مدلهای ایجادشده جهت انتخاب بهترین مدل موردارزیابی قرار میگیرند. درنهایت، مدلی که بهترین کارایی را دارد، بهعنوان خروجی گام سوم انتخاب میشود. در این نقطه، نمونههای جدیدی از تصاویر را که سالم یا بیمار بودن آنها مشخص نیست، میتوان با استفاده از مدل نهایی با دقت بالایی طبقهبندی کرد. در روش ALDI، طبقهبندیکننده درخت تصمیم (1DT) [54]، k-نزدیکترین همسایه (2k-NN) [55]، ماشین بردار پشتیبان (SVM3) [56] و شبکه عصبی مصنوعی (ANN4) [57] برای به دست آوردن مدل نهایی استفاده میشوند. در ادامه، هر یک از این طبقهبندیکنندهها بهطور مختصر توضیح داده میشوند:
• درخت تصمیم (DT): یکی از پرکاربردترین الگوریتمهای دادهکاوی در برنامههای کاربردی پزشکی مانند تشخیص بیماریها از روی تصاویر رادیوگرافی پردازششده، الگوریتم درخت تصمیم است. این الگوریتم، بهصورت یک مدل پیشبینیکننده تعریف میشود، بهطوریکه بتواند برای برنامههای کاربردی مبتنی بر طبقهبندی مورداستفاده قرار گیرد. ازآنجاییکه الگوریتم درخت تصمیم، مجموعه دادههای دارای خطا، مقادیر مفقوده و روشهای ناپارامتری را مدنظر قرار میدهد، یک رویکرد غنی برای نمایش هرگونه طبقهبندی به شمار میرود [54].
• K-نزدیکترین همسایه (K-NN): الگوریتم K-نزدیکترین همسایه، یکی از سادهترین رویکردهایی است که برای حل مسائل طبقهبندی مورداستفاده قرار میگیرد. باوجود سادگی، نتایج این الگوریتم قابلرقابت با الگوریتمهای مشابه است. سهولت در تفسیر نتایج خروجی، قدرت پیشبینی بالا و زمان محاسبه قابلقبول باعث شده است که از این الگوریتم بهطور گستردهای در برنامههای کاربردی پزشکی مانند تشخیص بیماریها از روی تصاویر رادیوگرافی پردازششده استفاده شود [55].
• ماشین بردار پشتیبانی (SVM): ماشین بردار پشتیبان یک الگوریتم طبقهبندی بسیار قدرتمند است. زمانی که این رویکرد همراه با الگوریتمها و ابزارهای یادگیری ماشین دیگر استفاده شود، میتواند مدل غنیتری برای طبقهبندی دادههای حساس مانند تصاویر پزشکی ارائه دهد. همچنین، الگوریتم ماشین بردار پشتیبان در برنامههای کاربردی که قدرت پیشبینی بالایی موردنیاز است، یک گزینه عالی به شمار میرود. بااینحال، تصویرسازی این الگوریتم دشوار است، زیرا فرمولبندی پیچیدهای دارد. علاوه بر این، هنگامیکه مجموعه داده ورودی، نویز زیادی داشته باشد، الگوریتم ماشین بردار پشتیبان عملکرد قابلقبولی ندارد، زیرا کلاسهای هدف دچار همپوشانی میشوند [56].
• شبکه عصبی مصنوعی (ANN): شبکه عصبی مصنوعی یکی از رویکردهای محاسباتی نوین در حوزه یادگیری ماشین، نمایش دانش و پیشبینی نتایج خروجی از سامانههای پیچیده است. ایده اصلی این الگوریتم از روند کارکرد سیستم عصبی-زیستی مغز انسان برای پردازش دادهها جهت یادگیری الهام گرفته است. الگوریتم شبکه عصبی مصنوعی برای تخمین و تقریب، کارایی بسیار خوبی از خود نشان میدهد. بر این اساس، گستره کاربرد این مدل ریاضی، بسیار وسیع میباشد که بهعنوان نمونه میتوان به طبقهبندی تصاویر رادیوگرافی پردازششده جهت تشخیص بیماریها اشاره کرد [57].
3- ارزیابی روش پیشنهادی
در این بخش، به ارزیابی روش ALDI و مقایسه آن با رویکردهای اخیر موجود جهت تشخیص خودکار بیماریهای ریوی در تصاویر رادیوگرافی پرداخته میشود. برای این منظور، در مطالعه موردی مقاله، از مجموعه داده تصاویر رادیوگرافی قفسه سینه مرکز بالینی NIH استفاده میشود [18], [19]. از این مجموعه داده، 670 تصویر رادیوگرافی قفسه سینه با وضوح 1024×1024پیکسل بهعنوان نمونه استخراج شده است که 469 مورد (70%)، بهعنوان داده یادگیری و 201 مورد (30%)، بهعنوان داده تست مورداستفاده قرار میگیرند.
در گام پیشپردازش، پس از حذف اطلاعات بیماران از تصاویر خام، اندازه بخشهای باقیمانده به حالت استاندارد 480×480پیکسل تبدیل میشود تا مراحل پردازش اصلی با تأثیر یکسان روی همه دادهها اعمال شود. همچنین، از رویکرد اعتبارسنجی متقابل Kلایهای5 با K=10 در تحلیل آماری مجموعه دادهها استفاده میشود تا بررسی گردد که مدل پیشنهادی تا چه اندازه قابلتعمیم بوده و مستقل از دادههای یادگیری عمل میکند [58]. به بیان دقیقتر، استفاده از رویکرد اعتبارسنجی متقابل 10لایهای مشخص میکند که مدل پیشنهادی مقاله تا چه اندازه در برنامههای کاربردی واقعی مفید خواهد بود. این رویکرد، دادهها را به 10 زیرمجموعه افراز میکند تا هر بار یکی از زیرمجموعهها برای اعتبارسنجی و 9 زیرمجموعه دیگر برای یادگیری مورداستفاده قرار گیرند. این روند 10 بار تکرار میشود تا همه دادهها فقط یکبار برای یادگیری و یکبار برای اعتبارسنجی استفاده شوند. درنهایت، میانگین نتیجه 10 بار اعتبارسنجی بهعنوان تخمین نهایی گزارش میشود.
درنهایت، بهمنظور تجزیهوتحلیل عملکرد روش ALDI، همه شبیهسازیها در نرمافزار MATLAB R2018a و در کامپیوتری با سیستمعامل Windows 10 با ویژگیهای Intel (R) Core (TM) i7 3520M CPU @ 2.90 GHz and 8 GB RAM انجام شده است.
4-1 مقایسه روشهای طبقهبندی مورداستفاده
در این بخش، به بررسی عملکرد طبقهبندیکنندههای مورداستفاده در روش تشخیص خودکار بیماریهای ریوی بینابینی (DT، K-NN، SVM و ANN)، با مقایسه شاخصهای خطای اعتبارسنجی متقابل، مثبت درست، منفی درست، مثبت کاذب، منفی کاذب، دقت، حساسیت، صحت و F-Value پرداخته میشود.
خطای اعتبارسنجی متقابل، خطای حاصل از مدل رگرسیون اعتبارسنجی متقابل (خطای میانگین مربعات) را نشان میدهد [58]. به بیان دقیقتر، خطای هر لایه غیر یادگیری از مدل اعتبارسنجی متقابل Kلایهای، با استفاده از مشاهدات مدل لایه یادگیری محاسبه میشود. همانطور که در ستون دوم از جدول 1 نشان داده شده است، خطای اعتبارسنجی متقابل برای طبقهبندیکننده DT، صفر است. همچنین، مقدار این خطا در صورت استفاده از رویکردهای K-NN و ANN، کمتر از SVM است.
مثبت درست، تعداد نتایجی را نشان میدهد که در آنها، مدل پیشنهادی مقاله، بهدرستی کلاس مثبت (ریههای مبتلا به بیماری) را برای دادههای تست پیشبینی کرده است. بهطور مشابه، منفی درست، به تعداد نتایجی اشاره دارد که در آنها، مدل پیشنهادی مقاله، بهدرستی کلاس منفی (ریههای سالم) را پیشبینی کرده است. همچنین، مثبت کاذب، تعداد نتایجی را نشان میدهد که در آنها، مدل پیشنهادی مقاله، کلاس مثبت (ریههای مبتلا به بیماری) را بهدرستی پیشبینی نکرده است. بهطور مشابه، منفی کاذب، به تعداد نتایجی اشاره دارد که در آنها، مدل پیشنهادی مقاله، کلاس منفی (ریههای سالم) را بهدرستی پیشبینی نکرده است [59]. همانطور که در ستونهای سوم تا ششم از جدول 1 مشاهده میشود، طبقهبندیکننده DT با بیشترین مجموع مثبت درست و منفی درست، عملکرد بهتری نسبت به سایر رویکردها دارد. همچنین، نتایج حاصل از این جدول نشان میدهد که رویکرد ANN در تشخیص نمونههای مثبت/منفی بهتر از K-NN عمل میکند. در این میان، طبقهبندیکننده SVM ضعیفترین عملکرد را در تشخیص درست نمونههای مثبت/منفی ارائه میدهد. این نتایج، برتری طبقهبندیکننده DT در تشخیص خودکار بیماریهای ریوی را نشان میدهد، زیرا سایر شاخصهای مورداستفاده برای تجزیهوتحلیل روشهای خودکار تشخیص بیماریها بر اساس مقادیر مثبت/منفی درست یا کاذب محاسبه میشوند.
دقت یا نرخ تشخیص، یکی از شاخصهای اساسی برای بررسی عملکرد روشهای خودکار تشخیص بیماریها است. این شاخص، نسبت کل پیشبینیهای درست به کل دادهها را نشان میدهد [59]. دقت (Accuracy) بر اساس (6) محاسبه میشود:
(6) |
|
در این معادله، TP و TN به ترتیب، به نتایج مثبت درست و منفی درست اشاره دارند. همچنین، P و N به ترتیب، نشانگر تعداد تصاویر رادیوگرافی مبتلا به بیماریهای ریوی بینابینی و سالم هستند. همانطور که در ستون هفتم از جدول 1 نشان داده شده است، بر اساس شاخص دقت نیز طبقهبندیکننده DT عملکرد بهتری نسبت به سایر رویکردها ارائه داده است. همچنین، این نتایج نشان میدهد که رویکردهای ANN و K-NN تقریباً دارای دقت یکسانی هستند. این در حالی است که طبقهبندیکننده SVM با پایینترین دقت به طبقهبندی تصاویر رادیوگرافی قفسه سینه میپردازد؛ بنابراین، میتوان ادعا کرد که در تشخیص خودکار بیماریهای ریوی، طبقهبندیکنندههای DT، ANN، K-NN و SVM به ترتیب، دقیقترین عملکردها را ارائه میدهند. این نتایج نیز، برتری رویکرد DT نسبت به سایر طبقهبندیکنندهها را نشان میدهد.
حساسیت معیاری است که میزان کامل بودن رویکردهای طبقهبندیکننده مورداستفاده برای تشخیص بیماریهای ریوی بینابینی را نشان میدهد. به عبارت دیگر، این شاخص بیان میکند که چند درصد از نمونههای مثبت (تصاویر ریههای مبتلا به بیماری) بهصورت درستی برچسبگذاری شدهاند [60]. حساسیت (Sensitivity) بر اساس (7) محاسبه میشود:
(7) |
|
در این معادله نیز TP و P به ترتیب، به نتایج مثبت درست و تعداد تصاویر رادیوگرافی مبتلا به بیماریهای ریوی بینابینی اشاره دارند. همانطور که در ستون هشتم از جدول 1 نشان داده شده است، بر اساس شاخص حساسیت، طبقهبندیکنندههای DT و K-NN (با حساسیت کامل) عملکرد بهتری نسبت به سایر رویکردها ارائه میدهند. همچنین، این نتایج نشان میدهد که رویکرد ANN نسبت به طبقهبندیکننده SVM حساسیت بالاتری در تشخیص نمونههای مثبت درست دارد؛ بنابراین، میتوان استدلال کرد که در تشخیص خودکار بیماریهای ریوی، طبقهبندیکنندههای DT و K-NN با حساسیت کامل، نسبت به رویکردهای مشابه، در تشخیص نمونههای مثبت درست عملکرد بهتری ارائه میدهند.
شاخص صحت نیز یکی از معیارهای پرکاربرد برای مقایسه روشهای طبقهبندی جهت تشخیص انواع بیماریها در تصاویر رادیوگرافی است. صحت را میتوان بهعنوان معیاری برای ارزیابی میزان دقت رویکردهای طبقهبندی در نظر گرفت. این شاخص بیان میکند که چند درصد از نمونههایی (تصاویر رادیوگرافی قفسه سینه) که با عنوان مثبت برچسبگذاری شدهاند، واقعاً مبتلا به بیماری هستند [61]. صحت (Precision) بر اساس (8) محاسبه میشود:
(8) |
|
در این معادله، TP و FP به ترتیب، نشانگر نتایج مثبت درست و مثبت کاذب هستند. همانطور که در ستون نهم از جدول 1 نشان داده شده است، بر اساس شاخص صحت، طبقهبندیکننده ANN (با صحت کامل) عملکرد بهتری نسبت به سایر رویکردها ارائه میدهد. همچنین، این نتایج نشان میدهد که رویکردهای K-NN و SVM نسبت به طبقهبندیکننده DT صحت پایینتری دارند؛ بنابراین، میتوان استدلال کرد که در تشخیص خودکار بیماریهای ریوی، طبقهبندیکنندههای ANN و DT (با صحت بالا)، بهترتیب، نسبت به رویکردهای مشابه، نمونههای مثبت را با دقت بالاتری برچسبگذاری میکنند.
درنهایت، معیار کلی برای ارزیابی رویکردهای مورداستفاده جهت طبقهبندی تصاویر رادیوگرافی قفسه سینه، استفاده ترکیبی از معیارهای حساسیت و صحت است. این شاخص با عنوان F-Value یا میانگین هارمونیک حساسیت و صحت شناخته شده و بهصورت (9) محاسبه میشود [62]:
(9) |
|
همانطور که در ستون دهم از جدول 1 نشان داده شده است، بر اساس شاخص F-Value نیز طبقهبندیکننده DT عملکرد بهتری نسبت به سایر رویکردها ارائه داده است. همچنین، این نتایج نشان میدهد که طبقهبندیکننده SVM با پایینترین مقدار F-Value، به طبقهبندی تصاویر رادیوگرافی قفسه سینه میپردازد؛ بنابراین، میتوان ادعا کرد که در تشخیص خودکار بیماریهای ریوی، طبقهبندیکننده DT نسبت به سایر طبقهبندیکنندهها عملکرد بهتری دارد.
جدول 1 مقایسه طبقهبندیکنندههای مورداستفاده | |||||||||
طبقهبندیکننده | خطای اعتبارسنجی متقابل | مثبت درست | منفی درست | مثبت کاذب | منفی کاذب | دقت | حساسیت | صحت | F-Value |
DT | 0 | 96 | 104 | 1 | 0 | 995/0 | 1 | 989/0 | 994/0 |
K-NN | 0597/0 | 96 | 102 | 3 | 0 | 9851/0 | 1 | 96/0 | 98/0 |
ANN | 0584/0 | 93 | 105 | 0 | 3 | 9851/0 | 9687/0 | 1 | 984/0 |
SVM | 2388/0 | 90 | 57 | 48 | 6 | 7313/0 | 9375/0 | 6521/0 | 77/0 |
4-2 مقدار متوسط F-Value با افزایش تعداد دادههای یادگیری
همانطور که در بخش 4-1 تعریف شد، F-Value با استفاده ترکیبی از میانگین هارمونیک شاخصهای حساسیت و صحت، به ارزیابی کلی رویکردهای مورداستفاده جهت طبقهبندی تصاویر رادیوگرافی قفسه سینه میپردازد. مقدار متوسط F-Value با افزایش تعداد دادههای یادگیری برای طبقهبندیکنندههای DT، K-NN، SVM و ANN در شکل 7 نشان داده شده است. بر اساس این شکل، متوسط F-Value در صورت استفاده از رویکرد DT برای تشخیص خودکار بیماریهای ریوی بینابینی، نسبت به روشهای K-NN، SVM و ANN، به ترتیب، 07/1، 73/1 و 7/1 برابر بیشتر است. همچنین، این نمودار نشان میدهد که در صورت افزایش تعداد دادههای یادگیری، مقدار F-Value برای طبقهبندیکننده DT به 100% میل میکند. این نتایج بیان میکند که رویکرد DT نسبت به طبقهبندیکنندههای مشابه با میانگین هارمونیک حساسیت و صحت بالاتر، بهترین رویکرد برای برنامههای کاربردی پزشکی مانند تشخیص خودکار بیماریهای ریوی با استفاده از تصاویر رادیوگرافی میباشد.
شكل 7: مقدار متوسط F-Value با افزایش تعداد دادههای یادگیری.
4-3 مقدار متوسط خطای اعتبارسنجی متقابل با افزایش تعداد دادههای یادگیری
همانطور که در بخش 4-1 اشاره شد، خطای اعتبارسنجی متقابل، خطای میانگین مربعات هر لایه غیر یادگیری از مدل اعتبارسنجی متقابل Kلایهای را با استفاده از مشاهدات مدل لایه یادگیری نشان میدهد. در این بخش، به مقایسه میانگین تغییرات این شاخص در صورت استفاده از رویکردهای طبقهبندی مختلف، بر اساس افزایش تعداد دادههای یادگیری پرداخته میشود. همانطور که در شکل 8 نشان داده شده است، با افزایش تعداد دادههای یادگیری به بیش از 50% کل دادهها، خطای اعتبارسنجی متقابل طبقهبندیکننده DT، صفر میشود، درحالیکه این خطا برای روشهای K-NN، SVM و ANN، حتی در صورت استفاده از 100% از دادهها بهعنوان دادههای یادگیری، به صفر نمیرسد. همچنین، این نمودار نشان میدهد که متوسط خطای اعتبارسنجی متقابل در صورت استفاده از رویکرد DT برای تشخیص خودکار بیماریهای ریوی بینابینی، نسبت به روشهای K-NN، SVM و ANN، به ترتیب، 87/32%، 08/50% و 01/51% کاهش مییابد. این نتایج اثبات میکند که طبقهبندیکننده DT با به حداقل رساندن مقدار خطای اعتبارسنجی متقابل، رویکرد مناسبی برای طبقهبندی تصاویر رادیوگرافی قفسه سینه جهت تشخیص بیماریهای ریوی بینابینی به شمار میرود.
شكل 8: مقدار متوسط خطای اعتبارسنجی متقابل با افزایش تعداد داده-های یادگیری.
4-4 مقایسه روش پیشنهادی با سایر رویکردها
در این بخش، به مقایسه نتایج حاصل از روش پیشنهادی با آخرین رویکردهای موجود در حوزه تشخیص خودکار بیماریهای ریوی بینابینی پرداخته میشود. لازم به ذکر است که در این مقایسه، مدل مبتنی بر درخت تصمیم (DT) با نتایج بهتر نسبت به سایر طبقهبندیکنندهها، بهعنوان مدل نهایی مقاله در نظر گرفته شده است. همچنین، رویکردهای موردمقایسه با حروف A، B، C، D و E نامگذاری شدهاند. برای دستیابی به نتایج دقیقتر، این رویکردها نیز بر روی مجموعه داده تصاویر رادیوگرافی قفسه سینه مرکز بالینی NIH (با جزئیات مورداستفاده در پیادهسازی روش پیشنهادی) شبیهسازی میشوند [18], [19]. نتایج این مقایسهها در جدول 2 نشان داده شده است.
همانطور که در ستون دوم از جدول 2 نشان داده شده است، روش پیشنهادی مقاله نسبت به سایر رویکردها، دقت بالاتری دارد. به بیان عددی، دقت تشخیص بیماریها در صورت استفاده از روش ALDI نسبت به رویکردهای A، B، C، D و E، بهترتیب، 38/1، 03/1، 001/1، 01/1 و 002/1برابر بهبود مییابد. این نتایج بیان میکند که روش پیشنهادی مقاله، با استفاده از حداقل تعداد دادههای یادگیری، دقت تشخیص را به حداکثر میرساند.
ستون سوم از جدول 2 نشان میدهد که روش پیشنهادی مقاله با حساسیت کامل به تشخیص بیماریهای ریوی در تصاویر رادیوگرافی قفسه سینه میپردازد. به بیان دقیقتر، حساسیت روش ALDI نسبت به رویکردهای A، B، C، D و E، بهترتیب، 57/1، 04/1، 007/1، 02/1 و 01/1برابر بالاتر است. بنابراین، میتوان استدلال کرد که در تشخیص خودکار بیماریهای ریوی، روش پیشنهادی مقاله با حساسیت کامل، نسبت به رویکردهای مشابه، در تشخیص نمونههای مثبت درست عملکرد بهتری ارائه میدهد.
ستونهای چهارم و پنجم از جدول 2 نشان میدهند اگرچه روش پیشنهادی مقاله نسبت به رویکردهای C و E صحت پایینتری دارد، اما در مجموع، با مقدار F-Value بالاتر نسبت به رویکردهای موردمقایسه، تصاویر رادیوگرافی قفسه سینه را با میانگین هارمونیک حساسیت و صحت بالاتری طبقهبندی میکند. این نتایج بیان میکند که ALDI میانگین حساسیت و صحت را نسبت به رویکردهای A، B، C، D و E، بهترتیب، 54/1، 03/1، 002/1، 01/1 و 001/1برابر افزایش میدهد. بنابراین، میتوان ادعا کرد که در تشخیص خودکار بیماریهای ریوی، روش پیشنهادی مقاله نسبت به سایر رویکردها عملکرد بهتری دارد.
جدول 2 مقایسه راهکار پیشنهادی با سایر رویکردها
رویکردها | دقت | حساسیت | صحت | F-Value |
[18]A | 719/0 | 635/0 | 665/0 | 644/0 |
[44]B | 958/0 | 96/0 | 956/0 | 958/0 |
[46]C | 994/0 | 993/0 | 992/0 | 992/0 |
[43]D | 98/0 | 981/0 | 979/0 | 98/0 |
[45]E | 993/0 | 987/0 | 1 | 993/0 |
ALDI | 995/0 | 1 | 989/0 | 994/0 |
4- نتیجهگیری
در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی با بهرهگیری از روشهای مبتنی بر یادگیری ماشین ارائه شده است. در گام اول از روش پیشنهادی، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف شده؛ سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی شدند. در گام بعدی، پایایی روش پیشنهادی با استفاده از تبدیل رادان، به نویزهای سفید بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهگیری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش یافت. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از حالت بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان بهینه شدند. در گام نهایی، تصاویر پردازششده، به دو دسته یادگیری و تست تقسیم شدند تا با استفاده از دادههای یادگیری، مدلهای مختلفی جهت تشخیص خودکار بیماریها ساخته شود. درنهایت، با استفاده از دادههای تست، بهترین مدل انتخاب شد. نتایج حاصل از شبیهسازی روش پیشنهادی بر روی مجموعه داده NIH نشان میدهد که رویکرد DT با افزایش مقدار متوسط F-Value نسبت به رویکردهای مشابه، میتواند تصاویر رادیوگرافی قفسه سینه را با میانگین صحت و حساسیت بیشتری طبقهبندی کند. همچنین، این رویکرد با به حداقل رساندن خطای اعتبارسنجی متقابل در تشخیص خودکار بیماریهای ریوی، عملکرد بهتری نسبت به طبقهبندیکنندههای K-NN، SVM و ANN دارد. علاوه بر این موارد، روش مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت، دقیقترین مدل را نسبت به رویکردهای اخیر موجود در حوزه تشخیص خودکار بیماریهای بینابینی ریوی ارائه میدهد؛ بنابراین، میتوان ادعا کرد که رویکرد مبتنی بر DT دقیقترین مدل (در میان رویکردهای مشابه) برای برنامههای کاربردی پزشکی مانند تشخیص خودکار بیماریهای ریوی بینابینی به شمار میرود.
مراجع
[1] A. L. Olson, P. Patnaik, N. Hartmann, R. L. Bohn, E. M. Garry, and L. Wallace, “Prevalence and Incidence of Chronic Fibrosing Interstitial Lung Diseases with a Progressive Phenotype in the United States Estimated in a Large Claims Database Analysis,” Adv. Ther., vol. 38, no. 7, pp. 4100–4114, Jul. 2021.
[2] L. Sesé et al., “Adult interstitial lung diseases and their epidemiology,” Presse Med., vol. 49, no. 2, p. 104023, Jun. 2020.
[3] J. Salonen, M. Purokivi, R. Bloigu, and R. Kaarteenaho, “Prognosis and causes of death of patients with acute exacerbation of fibrosing interstitial lung diseases,” BMJ Open Respir. Res., vol. 7, no. 1, p. e000563, Apr. 2020.
[4] K. K. Brown et al., “The natural history of progressive fibrosing interstitial lung diseases,” Eur. Respir. J., vol. 55, no. 6, p. 2000085, Jun. 2020.
[5] F. Liu et al., “The application of artificial intelligence to chest medical image analysis,” Intell. Med., Jul. 2021.
[6] A. A. Peters et al., “Performance of an AI based CAD system in solid lung nodule detection on chest phantom radiographs compared to radiology residents and fellow radiologists,” J. Thorac. Dis., vol. 13, no. 5, pp. 2728–2737, May 2021.
[7] E. Matsuyama, “A Novel Method for Automated Lung Region Segmentation in Chest X-Ray Images,” J. Biomed. Sci. Eng., vol. 14, no. 06, pp. 288–299, 2021.
[8] J. Rasheed, A. A. Hameed, C. Djeddi, A. Jamil, and F. Al-Turjman, “A machine learning-based framework for diagnosis of COVID-19 from chest X-ray images,” Interdiscip. Sci. Comput. Life Sci., vol. 13, no. 1, pp. 103–117, Mar. 2021.
[9] R. Zhang et al., “Diagnosis of Coronavirus Disease 2019 Pneumonia by Using Chest Radiography: Value of Artificial Intelligence,” Radiology, vol. 298, no. 2, pp. E88–E97, Feb. 2021.
[10] T. Kwon et al., “Diagnostic performance of artificial intelligence model for pneumonia from chest radiography,” PLoS One, vol. 16, no. 4, p. e0249399, Apr. 2021.
[11] W. Khan, N. Zaki, and L. Ali, “Intelligent Pneumonia Identification From Chest X-Rays: A Systematic Literature Review,” IEEE Access, vol. 9, pp. 51747–51771, 2021.
[12] A. Olson et al., “Estimation of the Prevalence of Progressive Fibrosing Interstitial Lung Diseases: Systematic Literature Review and Data from a Physician Survey,” Adv. Ther., vol. 38, no. 2, pp. 854–867, Feb. 2021.
[13] S. T. H. Kieu, A. Bade, M. H. A. Hijazi, and H. Kolivand, “A Survey of Deep Learning for Lung Disease Detection on Medical Images: State-of-the-Art, Taxonomy, Issues and Future Directions,” J. Imaging, vol. 6, no. 12, p. 131, Dec. 2020.
[14] D. R. Sarvamangala and R. V. Kulkarni, “Convolutional neural networks in medical image understanding: a survey,” Evol. Intell., Jan. 2021.
[15] J. Ma, Y. Song, X. Tian, Y. Hua, R. Zhang, and J. Wu, “Survey on deep learning for pulmonary medical imaging,” Front. Med., vol. 14, no. 4, pp. 450–469, Aug. 2020.
[16] S. Chen and S. Wu, “Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Networks: Quantitative Analysis of Web-Based Survey Data,” J. Med. Internet Res., vol. 22, no. 3, p. e17695, Mar. 2020.
[17] U. R. Acharya et al., “Automated diabetic macular edema (DME) grading system using DWT, DCT Features and maculopathy index,” Comput. Biol. Med., vol. 84, pp. 59–68, May 2017.
[18] S. Bharati, P. Podder, and M. R. H. Mondal, “Hybrid deep learning for detecting lung diseases from X-ray images,” Informatics Med. Unlocked, vol. 20, p. 100391, 2020.
[19] “NIH sample Chest X-rays dataset,” 2022. .
[20] L. L. G. Oliveira, S. A. e Silva, L. H. V. Ribeiro, R. M. de Oliveira, C. J. Coelho, and A. L. S. S. Andrade, “Computer-aided diagnosis in chest radiography for detection of childhood pneumonia,” Int. J. Med. Inform., vol. 77, no. 8, pp. 555–564, Aug. 2008.
[21] J. G. Greener, S. M. Kandathil, L. Moffat, and D. T. Jones, “A guide to machine learning for biologists,” Nat. Rev. Mol. Cell Biol., Sep. 2021.
[22] S. Yousefi, F. Derakhshan, and H. Karimipour, “Applications of Big Data Analytics and Machine Learning in the Internet of Things,” in Handbook of Big Data Privacy, Cham: Springer International Publishing, 2020, pp. 77–108.
[23] E. Yahaghi, M. Mirzapour, and A. Movafeghi, “Comparison of traditional and adaptive multi-scale products thresholding for enhancing the radiographs of welded object,” Eur. Phys. J. Plus, vol. 136, no. 7, p. 744, Jul. 2021.
[24] Y. Dong, X. Ma, and T. Fu, “Electrical load forecasting: A deep learning approach based on K-nearest neighbors,” Appl. Soft Comput., vol. 99, p. 106900, Feb. 2021.
[25] A. Khatri, R. Jain, H. Vashista, N. Mittal, P. Ranjan, and R. Janardhanan, “Pneumonia Identification in Chest X-Ray Images Using EMD,” 2020, pp. 87–98.
[26] R. V. Adiraju, K. K. Masanipalli, T. D. Reddy, R. Pedapalli, S. Chundru, and A. K. Panigrahy, “An extensive survey on finger and palm vein recognition system,” Mater. Today Proc., vol. 45, pp. 1804–1808, 2021.
[27] S. Varela-Santos and P. Melin, “Classification of X-Ray Images for Pneumonia Detection Using Texture Features and Neural Networks,” 2020, pp. 237–253.
[28] S. Aouat, I. Ait-hammi, and I. Hamouchene, “A new approach for texture segmentation based on the Gray Level Co-occurrence Matrix,” Multimed. Tools Appl., vol. 80, no. 16, pp. 24027–24052, Jul. 2021.
[29] M. Kubat, “Artificial Neural Networks,” in An Introduction to Machine Learning, Cham: Springer International Publishing, 2021, pp. 117–143.
[30] P. Chhikara, P. Singh, P. Gupta, and T. Bhatia, “Deep Convolutional Neural Network with Transfer Learning for Detecting Pneumonia on Chest X-Rays,” 2020, pp. 155–168.
[31] H. Song, xiu-ying Han, C. E. Montenegro-Marin, and S. Krishnamoorthy, “Secure prediction and assessment of sports injuries using deep learning based convolutional neural network,” J. Ambient Intell. Humaniz. Comput., vol. 12, no. 3, pp. 3399–3410, Mar. 2021.
[32] M. Yildirim, “Analog circuit implementation based on median filter for salt and pepper noise reduction in image,” Analog Integr. Circuits Signal Process., vol. 107, no. 1, pp. 195–202, Apr. 2021.
[33] A. Kumar, R. K. Jha, and N. K. Nishchal, “An improved Gamma correction model for image dehazing in a multi-exposure fusion framework,” J. Vis. Commun. Image Represent., vol. 78, p. 103122, Jul. 2021.
[34] G. Ulutas and B. Ustubioglu, “Underwater image enhancement using contrast limited adaptive histogram equalization and layered difference representation,” Multimed. Tools Appl., vol. 80, no. 10, pp. 15067–15091, Apr. 2021.
[35] M. S. El_Tokhy, “Development of optimum watermarking algorithm for radiography images,” Comput. Electr. Eng., vol. 89, p. 106932, Jan. 2021.
[36] S. Thakur, Y. Goplani, S. Arora, R. Upadhyay, and G. Sharma, “Chest X-Ray Images Based Automated Detection of Pneumonia Using Transfer Learning and CNN,” 2021, pp. 329–335.
[37] G. Liang and L. Zheng, “A transfer learning method with deep residual network for pediatric pneumonia diagnosis,” Comput. Methods Programs Biomed., vol. 187, p. 104964, Apr. 2020.
[38] H. Wu, P. Xie, H. Zhang, D. Li, and M. Cheng, “Predict pneumonia with chest X-ray images based on convolutional deep neural learning networks,” J. Intell. Fuzzy Syst., vol. 39, no. 3, pp. 2893–2907, Oct. 2020.
[39] S. Weppler et al., “Determining Clinical Patient Selection Guidelines for Head and Neck Adaptive Radiation Therapy Using Random Forest Modelling and a Novel Simplification Heuristic,” Front. Oncol., vol. 11, Jun. 2021.
[40] R. Sarkar, A. Hazra, K. Sadhu, and P. Ghosh, “A Novel Method for Pneumonia Diagnosis from Chest X-Ray Images Using Deep Residual Learning with Separable Convolutional Networks,” 2020, pp. 1–12.
[41] E. Yahaghi, M. Mirzapour, A. Movafeghi, and B. Rokrok, “Interlaced bilateral filtering and wavelet thresholding for flaw detection in the radiography of weldments,” Eur. Phys. J. Plus, vol. 135, no. 1, p. 42, Jan. 2020.
[42] A. Vidyarthi and A. Malik, “A hybridized modified densenet deep architecture with CLAHE algorithm for humpback whale identification and recognition,” Multimed. Tools Appl., Jul. 2021.
[43] Y.-D. Zhang, Z. Zhang, X. Zhang, and S.-H. Wang, “MIDCAN: A multiple input deep convolutional attention network for Covid-19 diagnosis based on chest CT and chest X-ray,” Pattern Recognit. Lett., vol. 150, pp. 8–16, Oct. 2021.
[44] K. K. Singh and A. Singh, “Diagnosis of COVID-19 from chest X-ray images using wavelets-based depthwise convolution network,” Big Data Min. Anal., vol. 4, no. 2, pp. 84–93, Jun. 2021.
[45] S. Kalaivani and K. Seetharaman, “A three-stade ensemble boosted convolutionalneural network for classification and analysis of covid-19 chest x-ray images,” Int. J. Cogn. Comput. Eng., Jan. 2022.
[46] M. Z. Islam, M. M. Islam, and A. Asraf, “A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID-19) using X-ray images,” Informatics Med. Unlocked, vol. 20, p. 100412, 2020.
[47] W.-N. Mohd-Isa, J. Joseph, N. Hashim, and N. Salih, “Enhancement of digitized X-ray films using Contrast-Limited Adaptive Histogram Equalization (CLAHE),” F1000Research, vol. 10, p. 1051, Oct. 2021.
[48] D. Ziou, N. Nacereddine, and A. B. Goumeidane, “Scale space Radon transform,” IET Image Process., vol. 15, no. 9, pp. 2097–2111, Jul. 2021.
[49] O. Ramos-Soto et al., “An efficient retinal blood vessel segmentation in eye fundus images by using optimized top-hat and homomorphic filtering,” Comput. Methods Programs Biomed., vol. 201, p. 105949, Apr. 2021.
[50] M. Shajahan, S. A. M. Aris, S. Usman, and N. M. Noor, “IRPMID: Medical XRAY Image Impulse Noise Removal using Partition Aided Median, Interpolation and DWT,” in 2021 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), 2021, pp. 105–110.
[51] X. Wang and X. Chen, “An image encryption algorithm based on dynamic row scrambling and Zigzag transformation,” Chaos, Solitons & Fractals, vol. 147, p. 110962, Jun. 2021.
[52] H. Yao, Y. Zhang, Y. Wei, and Y. Tian, “Broad Learning System with Locality Sensitive Discriminant Analysis for Hyperspectral Image Classification,” Math. Probl. Eng., vol. 2020, pp. 1–16, Dec. 2020.
[53] S. B. Scott et al., “A Coordinated Analysis of Variance in Affect in Daily Life,” Assessment, vol. 27, no. 8, pp. 1683–1698, Dec. 2020.
[54] H. Lu and X. Ma, “Hybrid decision tree-based machine learning models for short-
term water quality prediction,” Chemosphere, vol. 249, p. 126169, Jun. 2020.
[55] H. Saadatfar, S. Khosravi, J. H. Joloudari, A. Mosavi, and S. Shamshirband, “A New K-Nearest Neighbors Classifier for Big Data Based on Efficient Data Pruning,” Mathematics, vol. 8, no. 2, p. 286, Feb. 2020.
[56] D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Elsevier, 2020, pp. 101–121.
[57] X. Yang et al., “Research and applications of artificial neural network in pavement engineering: A state-of-the-art review,” J. Traffic Transp. Eng. (English Ed., Oct. 2021.
[58] A. M. Alqudah, S. Qazan, and I. S. Masad, “Artificial Intelligence Framework for Efficient Detection and Classification of Pneumonia Using Chest Radiography Images,” J. Med. Biol. Eng., Jun. 2021.
[59] I. MEJÀRE, H.-G. GRÖNDAHL, K. CARLSTEDT, A.-C. GREVER, and E. OTTOSSON, “Accuracy at radiography and probing for the diagnosis of proximal caries,” Eur. J. Oral Sci., vol. 93, no. 2, pp. 178–184, Apr. 1985.
[60] J. T. Braggio, E. S. Hall, S. A. Weber, and A. K. Huff, “Contribution of AOD-PM2.5 surfaces to respiratory-cardiovascular hospital events in urban and rural areas in Baltimore, Maryland, USA: New analytical method correctly identified true positive cases and true negative controls,” Atmos. Environ., vol. 262, p. 118629, Oct. 2021.
[61] S. Sahoo, A. Subudhi, M. Dash, and S. Sabut, “Automatic Classification of Cardiac Arrhythmias Based on Hybrid Features and Decision Tree Algorithm,” Int. J. Autom. Comput., vol. 17, no. 4, pp. 551–561, Aug. 2020.
[62] X. XU, W. CHEN, and Y. SUN, “Over-sampling algorithm for imbalanced data classification,” JSEE, vol. 30, no. 6, pp. 1182–1191, 2019.
[1] Decision Tree
[2] K-Nearest Neighbors
[3] Support Vector Machine
[4] Artificial Neural Network
[5] K-fold Cross-validation