ارائه یک مدل هوشمند پردازش تصویر جهت تشخیص سریع ابتلا به کووید 19

در حال حاضر، بهبود شناسایی کووید 19 با کمک بینایی ماشین و هوش مصنوعی مورد توجه بسیاری از محققان قرار گرفته است. این مقاله روش جدیدی را برای تشخیص خودکار کووید 19 با استفاده از سی­تی­اسکن قفسه سینه که یک رویکرد ترکیبی بهینه بر اساس ماتریس هم‌وقوعی سطح خاکستری (glcm) و ویژگی‌های آماری هیستوگرام تصویر است پیشنهاد می‌کند. این روش به رادیولوژیست‌ها کمک می‌کند تا سرعت و قابلیت اطمینان آزمایش‌های تشخیص کووید 19 را بهبود بخشند. در این روش پیشنهادی ماتریس هم‌زمانی سطح خاکستری و ویژگی‌های آماری هیستوگرام، برای استخراج ویژگی‌های تصویر سی‌تی‌اسکن، الگوریتم pca به‌عنوان بهینه‌ساز و چهار روش مختلف شبکه عصبی، ماشین بردار پشتیبان svm، جنگل تصادفیrf و k نزدیک‌ترین همسایگی knn به‌عنوان طبقه‌بندی­کننده استفاده شده است. برای ارزیابی دقیق‌تر دقت این الگوریتم، از دو دیتاست مختلف استفاده‌ شده و عملکرد الگوریتم روی هر دو امتحان شده است .درنهایت، نتیجه طبقه کننده‌ها توسط شش خصلت accuracy, sensitivity, specificity, precision, f-mean, g-mean با یکدیگر مقایسه شده است. نتایج نشان می‌دهد که طبقه‌بندی svm بهترین پاسخ را در میان سایر طبقه‌بندی‌کننده‌ها داراست و روش پیشنهادی از اغلب روش‌های پیشرفته شبکه عمیق بهتر عمل می‌کند