طبقه‌بندی تصاویر cxr متعلق به شش نوع بیماری ریوی با استفاده از روش اختلاط خبره‌ها مبتنی بر ماشین یادگیری سریع و الگوهای پنج‌تایی محلی بهبودیافته

کووید-19 یک ویروس جدید است که باعث عفونت دستگاه تنفسی فوقانی و ریه می‌شود. تصاویر رادیولوژیکی برای نظارت بر بیماری‌های مختلف ریوی بوده و اخیراً برای نظارت بر بیماری کووید-19 مورد استفاده قرارگرفته‌است که با هدف تشخیص زودهنگام و کنترل گسترش همه‌گیری بیماری به‌کار گرفته می‌شود. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش‌های یادگیری عمیق اختصاص داشته است. با توجه به مدت زمان آموزش و پیچیدگی محاسبات زیاد این روش‌ها، در این مقاله از اختلاط خبره‌ها مبتنی بر ماشین یادگیری سریع با شبکه میانجی آموزش‌پذیر (meetg) استفاده شده است. در meetg از مزایای ماشین یادگیری سریع برای طراحی ساختار اختلاط خبره‌ها استفاده شدهاست. فرآیند یادگیری ماشین یادگیری سریع بسیار سریع‌تر از ماشین بردار پشتیبان و پرسپترون چند لایه می‌باشد و قابلیت تعمیم بهتری را نسبت به آن‌ها دارد. در ادامه، از الگوهای پنج‌تایی محلی بهبودیافته به‌عنوان توصیف‌کننده بافت برای استخراج ویژگی و از meetg به عنوان طبقه‌بندی‌کننده برای تشخیص شش نوع بیماری ریوی و افراد سالم استفاده شده‌است.برای ارزیابی مدل پیشنهادی، از پایگاه‌داده rydls-20 با نمونه‌های نامتعادل که حاوی تصاویر اشعه ایکس قفسه سینه متعلق به هفت کلاس شامل شش بیماری مختلف ریوی ذات‌الریه ناشی از ویروس‌ها (کووید-19، سارس، مرس و واریسلا)، باکتری‌ها و قارچ‌ها و همچنین ریه‌های سالم استفاده شده است. هدف اصلی، دستیابی به بهترین میزان تشخیص ممکن برای کووید-19 در بین انواع دیگر ذات‌الریه و ریه‌های سالم است. معیارهای دقت طبقه‌بندی، صحت، بازخوانی و معیار-f برای ارزیابی مدل پیشنهادی استفاده شده‌است. نتایج تجربی نشان داد که معیار-f برای تشخیص کووید-19 برابر با 0.897 و همچنین میانگین کل معیار-f و دقت به ترتیب برابر با 0.80و %97.07 می‌باشد. میزان بهبود میانگین کل معیار-f روش پیشنهادی در مقایسه با k- نزدیک‌ترین همسایه، درخت تصمیم، پرسپترون چند لایه و ماشین یادگیری سریع حدود 24%، 43% ، 37% و 20% و در مقایسه با روش‌های مبتنی بر یادگیری مرکب نظیر اختلاط خبره‌ها و کیسه‌ای حدود 0.19% است.

classification of cxr images into 6 types of pulmonary diseases using a mixture of elm based experts and ilqp

the covid-19 is a new virus that causes upper respiratory system and lung infections. radiographic imaging is used to monitoring various lung diseases and has recently been used to monitoring covid-19 disease, which to detect early and control the outbreak of the disease. most research in this field has been devoted to articles based on deep learning methods. due to the high training and testing time of deep learning-based models, in this paper a mixture of elm based experts with trainable gating network (meetg) is used. in meetg, the advantages of elm are used for designing the structure of me. the elm learning process is faster than svm and mlp and has a better generalizability than them. in continuation, ilqp has been used as texture descriptor for feature extraction and meetg has been used as a classifier to diagnose six types of lung disease and healthy lung. to evaluate the proposed model, from the rydls-20 dataset with unbalanced samples containing chest x-ray images belonging to seven classes including six different viral pneumonia disease lung diseases (covid-19, sars, mers and varicella), bacteria (streptococcus), fungus (pneumocystis) and healthy lungs. our main aim is to achieve the best possible identification for covid-19 among other types of pneumonia and healthy lungs. evaluation measures consisting of accuracy, precision, recall, and f-score have been used to evaluate the proposed model. the experimental results revealed that f-score for detection of covid-19 is equal to 0.897 and the average of the total f-score and the classification accuracy is 0.80 and 97.07%, respectively. the average of total f-score of the proposed method improves 24%, 43%, 37% and 20% compared with knn, dt, mlp and elm, and compared with ensemble learning based method such as me and bagging is about 19%.