تشخيص خودكار بيماري هاي ريوي با استفاده از ويژگي هاي مبتني بر تبديل كسينوسي گسسته در تصاوير راديوگرافي

استفاده از نتايج خام راديوگرافي در تشخيص بيماري هاي ريوي عملكرد قابل قبولي ندارد. يادگيري ماشين مي تواند به تشخيص دقيق تر بيماري ها كمك كند. مطالعات گسترده اي در حوزه تشخيص خودكار بيماري ها با كمك يادگيري ماشين كلاسيك و عميق انجام شده؛ اما اين روش ها دقت و كارايي قاب لقبولي ندارند يا به داده هاي يادگيري زيادي نياز دارند. براي مقابله با اين چالش ها، در اين مقاله، روش جديدي براي تشخيص خودكار بيماري هاي ريوي بينابيني در تصاوير راديوگرافي ارائه مي شود. در گام اول، اطلاعات بيمار از تصاوير حذف شده؛ سپس، پيكسل هاي باقيمانده، جهت پردازش هاي دقيق تر، استانداردسازي مي شوند. در گام دوم، پايايي روش پيشنهادي با كمك تبديل رادان بهبود يافته، داده هاي اضافي با استفاده از فيلتر Top-hat حذف شده و نرخ تشخيص با بهره برداري از تبديل موجك گسسته و تبديل كسينوسي گسسته افزايش مي يابد. سپس، تعداد ويژگي هاي نهايي با كمك آناليز تشخيصي حساس به مكان كاهش مي يابد. در گام سوم، تصاوير پردازششده به دو دسته يادگيري و تست تقسيم ميشوند؛ با استفاده از دادههاي يادگيري، مدل هاي مختلفي ايجاد شده و با كمك داده هاي تست، بهترين مدل انتخاب مي شود. نتايج شبيه سازي ها بر روي مجموعه داده NIH نشان مي دهد كه روش پيشنهادي مبتني بر درخت تصميم با بهبود ميانگين هارمونيك حساسيت و صحت تا 08 / 1 برابر، دقيق ترين مدل را ارائه مي دهد.