تشخیص خودکار بیماری های ریوی با استفاده از ویژگی های مبتنی بر تبدیل کسینوسی گسسته در تصاویر رادیوگرافی

استفاده از نتایج خام رادیوگرافی در تشخیص بیماری های ریوی عملکرد قابل قبولی ندارد. یادگیری ماشین می تواند به تشخیص دقیق تر بیماری ها کمک کند. مطالعات گسترده ای در حوزه تشخیص خودکار بیماری ها با کمک یادگیری ماشین کلاسیک و عمیق انجام شده؛ اما این روش ها دقت و کارایی قاب لقبولی ندارند یا به داده های یادگیری زیادی نیاز دارند. برای مقابله با این چالش ها، در این مقاله، روش جدیدی برای تشخیص خودکار بیماری های ریوی بینابینی در تصاویر رادیوگرافی ارائه می شود. در گام اول، اطلاعات بیمار از تصاویر حذف شده؛ سپس، پیکسل های باقیمانده، جهت پردازش های دقیق تر، استانداردسازی می شوند. در گام دوم، پایایی روش پیشنهادی با کمک تبدیل رادان بهبود یافته، داده های اضافی با استفاده از فیلتر top-hat حذف شده و نرخ تشخیص با بهره برداری از تبدیل موجک گسسته و تبدیل کسینوسی گسسته افزایش می یابد. سپس، تعداد ویژگی های نهایی با کمک آنالیز تشخیصی حساس به مکان کاهش می یابد. در گام سوم، تصاویر پردازششده به دو دسته یادگیری و تست تقسیم میشوند؛ با استفاده از دادههای یادگیری، مدل های مختلفی ایجاد شده و با کمک داده های تست، بهترین مدل انتخاب می شود. نتایج شبیه سازی ها بر روی مجموعه داده nih نشان می دهد که روش پیشنهادی مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت تا 08 / 1 برابر، دقیق ترین مدل را ارائه می دهد.

automatic lung diseases identification using discrete cosine transform-based features in radiography images

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.