ارائه یک مدل هوشمند پردازش تصویر تشخیص سریع ابتلا به کووید ۱۹

در حال حاضر بهبود شناسایی کووید ۱۹ با کمک بینایی ماشین و هوش مصنوعی مورد توجه بسیاری از محققان فرار گرفته است.این مقاله روش جدیدی را برای تشخیص خودکار کووید ۱۹ با استفاده از سی تی اسکن قفسه سینه که یک رویکرد ترکیبی بهینه براساس ماتریس هم وقوعی سطح خاکستری (GLCM) و ویژگی های آماری هیستوگرام تصویر است پیشنهاد می کند. این روش بهرادیولوژیست ها کمک می کند تا سرعت و قابلیت اطمینان آزمایش های تشخیص کووید ‎۱۹ را بهبود بخشند. در این روش پیشنهادی ماتریس همزمانی سطح خاکستری و ویژگی های آماری هیستوگرام، برای استخراج ویژگی های تصویر سیتیاسکن، الگوریتم PCAبه عنوان بهینه ساز و چهار روش مختلف شبکه عصبی. ماشین بردار پشتیبان SWM جنگل تصادفی RF و K نزدیک ترین همسایگیKNN به عنوان طبقه بندی کننده " استفاده شده است. برای ارزیابی دقیق تر دقت این الگوریتم از دو دیتناست مختلف استفاده شده وعملکرد الگوریتم روی هر دو امتحان شده است. درنهایت نتیحه طبقه کننده ها توسط شش خصلت Sensitivity, AccuracySpecificity, Precision, F-mean, g-mean با یکدیگر مقایسه شده است. نتایج نشان می دهد که طبقه بندی SVM بهترینپاسخ را در میان سایر طبقه بندی کننده ها داراست و روش پیشنهادی از اغلب روش های پیشرفته شبکه عمیق بهتر عمل می کند.

Keywords:

ماتریس هم وقوعی سطح خاکستری , کووید ۱۹ , یادگیری ماشین , GLCM