ارائه يك مدل هوشمند پردازش تصوير جهت تشخيص سريع ابتلا به كوويد 19

Developing an intelligent image processing model for the fast discovery of covid-19

در حال حاضر، بهبود شناسايي كوويد 19 با كمك بينايي ماشين و هوش مصنوعي مورد توجه بسياري از محققان قرار گرفته است. اين مقاله روش جديدي را براي تشخيص خودكار كوويد 19 با استفاده از سي­تي­اسكن قفسه سينه كه يك رويكرد تركيبي بهينه بر اساس ماتريس هم‌وقوعي سطح خاكستري (GLCM) و ويژگي‌هاي آماري هيستوگرام تصوير است پيشنهاد مي‌كند. اين روش به راديولوژيست‌ها كمك مي‌كند تا سرعت و قابليت اطمينان آزمايش‌هاي تشخيص كوويد 19 را بهبود بخشند. در اين روش پيشنهادي ماتريس هم‌زماني سطح خاكستري و ويژگي‌هاي آماري هيستوگرام، براي استخراج ويژگي‌هاي تصوير سي‌تي‌اسكن، الگوريتم PCA به‌عنوان بهينه‌ساز و چهار روش مختلف شبكه عصبي، ماشين بردار پشتيبان SVM، جنگل تصادفيRF و K نزديك‌ترين همسايگي KNN به‌عنوان طبقه‌بندي­كننده استفاده شده است. براي ارزيابي دقيق‌تر دقت اين الگوريتم، از دو ديتاست مختلف استفاده‌ شده و عملكرد الگوريتم روي هر دو امتحان شده است .درنهايت، نتيجه طبقه كننده‌ها توسط شش خصلت Accuracy, Sensitivity, Specificity, Precision, F-mean, g-mean با يكديگر مقايسه شده است. نتايج نشان مي‌دهد كه طبقه‌بندي SVM بهترين پاسخ را در ميان ساير طبقه‌بندي‌كننده‌ها داراست و روش پيشنهادي از اغلب روش‌هاي پيشرفته شبكه عميق بهتر عمل مي‌كند