ارزیابی میزان درگیری ریوی بیماران کرونایی در تصاویر سی تی اسکن قفسه سینه با استفاده از الگوریتم تکامل تفاضلی خود تطبیق چند هدفه

با فراگیری بیماری کرونا در سراسر دنیا در طول یک سال گذشته، استفاده از تکنیک های پردازش تصویر و الگوریتم های هوش مصنوعی جهت آنالیز تصاویر سی تی اسکن (cxr) قفسه سینه بیماران مبتلا به کووید19ضرورت یافته است. تعیین درصد پیشرفت و گسترش ویروس کووید19در ناحیه ریه شخص بیمار یکی از نیازمندی های اساسی و ضروری مراکز بستری بیماران کرونایی محسوب می گردد. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش های یادگیری عمیق با بکارگیری شبکه های عصبی کانولوشن اختصاص داشته، که عمدتا به موضوع غربال گری افراد بیمار و سالم می پردازند. در این میان تعداد معدودی از مقالات به موضوع تعیین درصد درگیری ریوی و پیشرفت ویروس در بیماران کرونایی بر اساس تصاویر cxr پرداخته اند. عدم شکل گیری بانک های اطلاعات تصاویر منسجم با اطلاعات یکپارچه و جامع یکی از معضلات اصلی در این حوزه محسوب می گردد. تعیین میزان درگیری ریوی مبتلایان به بیماری، بر اساس تصاویر متفاوت cxr در روزهای متوالی، دارای معضلات و مشکلات خاص خود از جمله تفاوت در ابعاد، شدت روشنایی، میزان دوز و زاویه تابش اشعه در این تصاویر بوده که بکارگیری یک فیلتر تفاضل گیر ساده روی داده های دو تصویر را غیرممکن می سازند. بکارگیری یک روش بهینه سازی خود تطبیق با ماهیت تفاضلی و چند هدفه می تواند دقت و صحت کار را افزایش و زمان تحلیل را کاهش دهد.

Evaluation of Lung Involvement in Patients with Coronavirus Disease from Chest CT Images Using Multi-Objective Self-Adaptive Differential Evolution Approach

Under the global pandemic of COVID19 over the last year, the use of image processing techniques and the artificial intelligence algorithms to analysis chest Xray (CXR) images is becoming important. Determining the lung involvement and percentage development of COVID19 is one of most important requirements for the hospitalization centers. The most studies in this field belong to the articles based on the deep learning methodologies using convolution neural networks, which are usually implemented to facilitate the screening process. Only a few number of studies are about the determining the percentage of lung involvement and development of coronavirus based on CXR images. The lack of comprehensive datasets of CT images with a large amount of samples is one of the most important issues in this field. Determining of lung infection in COVID19 patients, based on different CXR images in different days, has its own challenges such as different image sizes, illumination density, radiation dose of Xray and angle of radiation, which makes it impossible to the implement a simple differential filter on two different images. Using an optimization selfadaptive algorithm with differential and multiobjective approach can improve the performance accuracy with a corresponding reduction in computation time.