Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images
Subject Areas : ICTShamim Yousefi 1 , Samad Najjar-Ghabel 2
1 - University of Mohaghegh Ardabili.Ardabil.Iran
2 - University of Mohaghegh Ardabili
Keywords: Locality Sensitive Discriminant Analysis, Discrete Wavelet Transform, Discrete Cosine Transform, Interstitial lung disease identification, Radiography images, Decision tree,
Abstract :
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.
منابع و مأخذ
[1] A. L. Olson, P. Patnaik, N. Hartmann, R. L. Bohn, E. M. Garry, and L. Wallace, “Prevalence and Incidence of Chronic Fibrosing Interstitial Lung Diseases with a Progressive Phenotype in the United States Estimated in a Large Claims Database Analysis,” Advances in Therapy, vol. 38, no. 7, pp. 4100–4114, Jul. 2021.
[2] L. Sesé et al., “Adult interstitial lung diseases and their epidemiology,” La Presse Médicale, vol. 49, no. 2, p. 104023, Jun. 2020.
[3] J. Salonen, M. Purokivi, R. Bloigu, and R. Kaarteenaho, “Prognosis and causes of death of patients with acute exacerbation of fibrosing interstitial lung diseases,” BMJ Open Respiratory Research, vol. 7, no. 1, p. e000563, Apr. 2020.
[4] K. K. Brown et al., “The natural history of progressive fibrosing interstitial lung diseases,” European Respiratory Journal, vol. 55, no. 6, p. 2000085, Jun. 2020.
[5] F. Liu et al., “The application of artificial intelligence to chest medical image analysis,” Intelligent Medicine, Jul. 2021.
[6] A. A. Peters et al., “Performance of an AI based CAD system in solid lung nodule detection on chest phantom radiographs compared to radiology residents and fellow radiologists,” Journal of Thoracic Disease, vol. 13, no. 5, pp. 2728–2737, May 2021.
[7] E. Matsuyama, “A Novel Method for Automated Lung Region Segmentation in Chest X-Ray Images,” Journal of Biomedical Science and Engineering, vol. 14, no. 06, pp. 288–299, 2021.
[8] J. Rasheed, A. A. Hameed, C. Djeddi, A. Jamil, and F. Al-Turjman, “A machine learning-based framework for diagnosis of COVID-19 from chest X-ray images,” Interdisciplinary Sciences: Computational Life Sciences, vol. 13, no. 1, pp. 103–117, Mar. 2021.
[9] R. Zhang et al., “Diagnosis of Coronavirus Disease 2019 Pneumonia by Using Chest Radiography: Value of Artificial Intelligence,” Radiology, vol. 298, no. 2, pp. E88–E97, Feb. 2021.
[10] T. Kwon et al., “Diagnostic performance of artificial intelligence model for pneumonia from chest radiography,” PLOS ONE, vol. 16, no. 4, p. e0249399, Apr. 2021.
[11] W. Khan, N. Zaki, and L. Ali, “Intelligent Pneumonia Identification From Chest X-Rays: A Systematic Literature Review,” IEEE Access, vol. 9, pp. 51747–51771, 2021.
[12] A. Olson et al., “Estimation of the Prevalence of Progressive Fibrosing Interstitial Lung Diseases: Systematic Literature Review and Data from a Physician Survey,” Advances in Therapy, vol. 38, no. 2, pp. 854–867, Feb. 2021.
[13] S. T. H. Kieu, A. Bade, M. H. A. Hijazi, and H. Kolivand, “A Survey of Deep Learning for Lung Disease Detection on Medical Images: State-of-the-Art, Taxonomy, Issues and Future Directions,” Journal of Imaging, vol. 6, no. 12, p. 131, Dec. 2020.
[14] D. R. Sarvamangala and R. V. Kulkarni, “Convolutional neural networks in medical image understanding: a survey,” Evolutionary Intelligence, Jan. 2021.
[15] J. Ma, Y. Song, X. Tian, Y. Hua, R. Zhang, and J. Wu, “Survey on deep learning for pulmonary medical imaging,” Frontiers of Medicine, vol. 14, no. 4, pp. 450–469, Aug. 2020.
[16] S. Chen and S. Wu, “Identifying Lung Cancer Risk Factors in the Elderly Using Deep Neural Networks: Quantitative Analysis of Web-Based Survey Data,” Journal of Medical Internet Research, vol. 22, no. 3, p. e17695, Mar. 2020.
[17] U. R. Acharya et al., “Automated diabetic macular edema (DME) grading system using DWT, DCT Features and maculopathy index,” Computers in Biology and Medicine, vol. 84, pp. 59–68, May 2017.
[18] S. Bharati, P. Podder, and M. R. H. Mondal, “Hybrid deep learning for detecting lung diseases from X-ray images,” Informatics in Medicine Unlocked, vol. 20, p. 100391, 2020.
[19] “NIH sample Chest X-rays dataset,” 2022. [Online]. Available: https://www.kaggle.com/nih-chest-xrays/sample,.
[20] L. L. G. Oliveira, S. A. e Silva, L. H. V. Ribeiro, R. M. de Oliveira, C. J. Coelho, and A. L. S. S. Andrade, “Computer-aided diagnosis in chest radiography for detection of childhood pneumonia,” International Journal of Medical Informatics, vol. 77, no. 8, pp. 555–564, Aug. 2008.
[21] J. G. Greener, S. M. Kandathil, L. Moffat, and D. T. Jones, “A guide to machine learning for biologists,” Nature Reviews Molecular Cell Biology, Sep. 2021.
[22] S. Yousefi, F. Derakhshan, and H. Karimipour, “Applications of Big Data Analytics and Machine Learning in the Internet of Things,” in Handbook of Big Data Privacy, Cham: Springer International Publishing, 2020, pp. 77–108.
[23] E. Yahaghi, M. Mirzapour, and A. Movafeghi, “Comparison of traditional and adaptive multi-scale products thresholding for enhancing the radiographs of welded object,” The European Physical Journal Plus, vol. 136, no. 7, p. 744, Jul. 2021.
[24] Y. Dong, X. Ma, and T. Fu, “Electrical load forecasting: A deep learning approach based on K-nearest neighbors,” Applied Soft Computing, vol. 99, p. 106900, Feb. 2021.
[25] A. Khatri, R. Jain, H. Vashista, N. Mittal, P. Ranjan, and R. Janardhanan, “Pneumonia Identification in Chest X-Ray Images Using EMD,” 2020, pp. 87–98.
[26] R. V. Adiraju, K. K. Masanipalli, T. D. Reddy, R. Pedapalli, S. Chundru, and A. K. Panigrahy, “An extensive survey on finger and palm vein recognition system,” Materials Today: Proceedings, vol. 45, pp. 1804–1808, 2021.
[27] S. Varela-Santos and P. Melin, “Classification of X-Ray Images for Pneumonia Detection Using Texture Features and Neural Networks,” 2020, pp. 237–253.
[28] S. Aouat, I. Ait-hammi, and I. Hamouchene, “A new approach for texture segmentation based on the Gray Level Co-occurrence Matrix,” Multimedia Tools and Applications, vol. 80, no. 16, pp. 24027–24052, Jul. 2021.
[29] M. Kubat, “Artificial Neural Networks,” in An Introduction to Machine Learning, Cham: Springer International Publishing, 2021, pp. 117–143.
[30] P. Chhikara, P. Singh, P. Gupta, and T. Bhatia, “Deep Convolutional Neural Network with Transfer Learning for Detecting Pneumonia on Chest X-Rays,” 2020, pp. 155–168.
[31] H. Song, xiu-ying Han, C. E. Montenegro-Marin, and S. Krishnamoorthy, “Secure prediction and assessment of sports injuries using deep learning based convolutional neural network,” Journal of Ambient Intelligence and Humanized Computing, vol. 12, no. 3, pp. 3399–3410, Mar. 2021.
[32] M. Yildirim, “Analog circuit implementation based on median filter for salt and pepper noise reduction in image,” Analog Integrated Circuits and Signal Processing, vol. 107, no. 1, pp. 195–202, Apr. 2021.
[33] A. Kumar, R. K. Jha, and N. K. Nishchal, “An improved Gamma correction model for image dehazing in a multi-exposure fusion framework,” Journal of Visual Communication and Image Representation, vol. 78, p. 103122, Jul. 2021.
[34] G. Ulutas and B. Ustubioglu, “Underwater image enhancement using contrast limited adaptive histogram equalization and layered difference representation,” Multimedia Tools and Applications, vol. 80, no. 10, pp. 15067–15091, Apr. 2021.
[35] M. S. El_Tokhy, “Development of optimum watermarking algorithm for radiography images,” Computers & Electrical Engineering, vol. 89, p. 106932, Jan. 2021.
[36] S. Thakur, Y. Goplani, S. Arora, R. Upadhyay, and G. Sharma, “Chest X-Ray Images Based Automated Detection of Pneumonia Using Transfer Learning and CNN,” 2021, pp. 329–335.
[37] G. Liang and L. Zheng, “A transfer learning method with deep residual network for pediatric pneumonia diagnosis,” Computer Methods and Programs in Biomedicine, vol. 187, p. 104964, Apr. 2020.
[38] H. Wu, P. Xie, H. Zhang, D. Li, and M. Cheng, “Predict pneumonia with chest X-ray images based on convolutional deep neural learning networks,” Journal of Intelligent & Fuzzy Systems, vol. 39, no. 3, pp. 2893–2907, Oct. 2020.
[39] S. Weppler et al., “Determining Clinical Patient Selection Guidelines for Head and Neck Adaptive Radiation Therapy Using Random Forest Modelling and a Novel Simplification Heuristic,” Frontiers in Oncology, vol. 11, Jun. 2021.
[40] R. Sarkar, A. Hazra, K. Sadhu, and P. Ghosh, “A Novel Method for Pneumonia Diagnosis from Chest X-Ray Images Using Deep Residual Learning with Separable Convolutional Networks,” 2020, pp. 1–12.
[41] E. Yahaghi, M. Mirzapour, A. Movafeghi, and B. Rokrok, “Interlaced bilateral filtering and wavelet thresholding for flaw detection in the radiography of weldments,” The European Physical Journal Plus, vol. 135, no. 1, p. 42, Jan. 2020.
[42] A. Vidyarthi and A. Malik, “A hybridized modified densenet deep architecture with CLAHE algorithm for humpback whale identification and recognition,” Multimedia Tools and Applications, Jul. 2021.
[43] W.-N. Mohd-Isa, J. Joseph, N. Hashim, and N. Salih, “Enhancement of digitized X-ray films using Contrast-Limited Adaptive Histogram Equalization (CLAHE),” F1000Research, vol. 10, p. 1051, Oct. 2021.
[44] D. Ziou, N. Nacereddine, and A. B. Goumeidane, “Scale space Radon transform,” IET Image Processing, vol. 15, no. 9, pp. 2097–2111, Jul. 2021.
[45] O. Ramos-Soto et al., “An efficient retinal blood vessel segmentation in eye fundus images by using optimized top-hat and homomorphic filtering,” Computer Methods and Programs in Biomedicine, vol. 201, p. 105949, Apr. 2021.
[46] M. Shajahan, S. A. M. Aris, S. Usman, and N. M. Noor, “IRPMID: Medical XRAY Image Impulse Noise Removal using Partition Aided Median, Interpolation and DWT,” in 2021 IEEE International Conference on Signal and Image Processing Applications (ICSIPA), 2021, pp. 105–110.
[47] X. Wang and X. Chen, “An image encryption algorithm based on dynamic row scrambling and Zigzag transformation,” Chaos, Solitons & Fractals, vol. 147, p. 110962, Jun. 2021.
[48] H. Yao, Y. Zhang, Y. Wei, and Y. Tian, “Broad Learning System with Locality Sensitive Discriminant Analysis for Hyperspectral Image Classification,” Mathematical Problems in Engineering, vol. 2020, pp. 1–16, Dec. 2020.
[49] S. B. Scott et al., “A Coordinated Analysis of Variance in Affect in Daily Life,” Assessment, vol. 27, no. 8, pp. 1683–1698, Dec. 2020.
[50] H. Lu and X. Ma, “Hybrid decision tree-based machine learning models for short-term water quality prediction,” Chemosphere, vol. 249, p. 126169, Jun. 2020.
[51] H. Saadatfar, S. Khosravi, J. H. Joloudari, A. Mosavi, and S. Shamshirband, “A New K-Nearest Neighbors Classifier for Big Data Based on Efficient Data Pruning,” Mathematics, vol. 8, no. 2, p. 286, Feb. 2020.
[52] D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Elsevier, 2020, pp. 101–121.
[53] X. Yang et al., “Research and applications of artificial neural network in pavement engineering: A state-of-the-art review,” Journal of Traffic and Transportation Engineering (English Edition), Oct. 2021.
[54] A. M. Alqudah, S. Qazan, and I. S. Masad, “Artificial Intelligence Framework for Efficient Detection and Classification of Pneumonia Using Chest Radiography Images,” Journal of Medical and Biological Engineering, Jun. 2021.
[55] I. MEJÀRE, H.-G. GRÖNDAHL, K. CARLSTEDT, A.-C. GREVER, and E. OTTOSSON, “Accuracy at radiography and probing for the diagnosis of proximal caries,” European Journal of Oral Sciences, vol. 93, no. 2, pp. 178–184, Apr. 1985.
[56] J. T. Braggio, E. S. Hall, S. A. Weber, and A. K. Huff, “Contribution of AOD-PM2.5 surfaces to respiratory-cardiovascular hospital events in urban and rural areas in Baltimore, Maryland, USA: New analytical method correctly identified true positive cases and true negative controls,” Atmospheric Environment, vol. 262, p. 118629, Oct. 2021.
[57] S. Sahoo, A. Subudhi, M. Dash, and S. Sabut, “Automatic Classification of Cardiac Arrhythmias Based on Hybrid Features and Decision Tree Algorithm,” International Journal of Automation and Computing, vol. 17, no. 4, pp. 551–561, Aug. 2020.
[58] X. XU, W. CHEN, and Y. SUN, “Over-sampling algorithm for imbalanced data classification,” JSEE, vol. 30, no. 6, pp. 1182–1191, 2019.
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال پانزدهم، شمارههاي 55 و 56، بهار و تابستان 1402 صفحات:124 الی 140 |
|
Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images
Shamim Yousefi*, Samad Najjar Ghabel*
Assistant professor, University of Mohaghegh Ardabili.Ardabil *
Abstract
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.
Keywords:Locality Sensitive Discriminant Analysis, Discrete Wavelet Transform, Discrete Cosine Transform, Interstitial lung disease identification, Radiography images, Decision tree
تشخیص خودکار بیماری های ریوی با استفاده از ویژگی های مبتنی بر تبدیل کسینوسی گسسته در تصاویر رادیوگرافی
شمیم یوسفی*، صمد نجارقابل× *
* استادیار دانشگاه محقق اردبیلی، اردبیل، دانشگاه محقق اردبیلی، دانشکده فنی مهندسی، گروه مهندسی برق و کامپیوتر
تاریخ دریافت: 08/11/ 1400 تاریخ پذیرش: 08/12/1400
نوع مقاله: پژوهشی
چكیده
استفاده از نتایج خام رادیوگرافی در تشخیص بیماریهای ریوی عملکرد قابلقبولی ندارد. یادگیری ماشین میتواند به تشخیص دقیقتر بیماریها کمک کند. مطالعات گستردهای در حوزه تشخیص خودکار بیماریها با کمک یادگیری ماشین کلاسیک و عمیق انجام شده؛ اما این روشها دقت و کارایی قابلقبولی ندارند یا به دادههای یادگیری زیادی نیاز دارند. برای مقابله با این چالشها، در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی در تصاویر رادیوگرافی ارائه میشود. در گام اول، اطلاعات بیمار از تصاویر حذف شده؛ سپس، پیکسلهای باقیمانده، جهت پردازشهای دقیقتر، استانداردسازی میشوند. در گام دوم، پایایی روش پیشنهادی با کمک تبدیل رادان بهبود یافته، دادههای اضافی با استفاده از فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و تبدیل کسینوسی گسسته افزایش مییابد. سپس، تعداد ویژگیهای نهایی با کمک آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده به دو دسته یادگیری و تست تقسیم میشوند؛ با استفاده از دادههای یادگیری، مدلهای مختلفی ایجاد شده و با کمک دادههای تست، بهترین مدل انتخاب میشود. نتایج شبیهسازیها بر روی مجموعه داده NIH نشان میدهد که روش پیشنهادی مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت تا 08/1برابر، دقیقترین مدل را ارائه میدهد.
واژگان کلیدی: آنالیز تشخیصی حساس به مکان، تبدیل کسینوسی گسسته، تبدیل موجک گسسته، تشخیص بیماریهای ریوی بینابینی، تصاویر رادیوگرافی، درخت تصمیم.
1.مقدمه
امروزه، بیماریهای ریوی بینابینی مانند ذاتالریه و سل ریوی که بر ساختار ریه تأثیر میگذارند، یکی از دلایل اصلی مرگومیر در سرتاسر جهان به شمار میروند [1], [2] اگر این بیماریهای عفونی بهموقع تشخیص داده نشوند، کشندهتر خواهند بود؛ درواقع، رشد سریع ناهنجاریهای ریوی میتواند منجر به تشکیل تومور در بدن بیمار شده و احتمال مرگ او را افزایش دهد [3]. طبق گزارشهای سازمان بهداشت جهانی، بیماریهای ریوی بینابینی، بعد از ایدز، دومین عامل کشنده در جهان هستند که هرساله، تقریباً 6/1میلیون قربانی میگیرند [4].
رادیوگرافی قفسه سینه اولین روش تصویربرداری است که به دنبال بروز علائم بیماری در بدن افراد، برای تشخیص عوارض مختلف ریوی مانند ذاتالریه، سل، سرطان ریه و غیره مورداستفاده قرار میگیرد [5], [6]. ازآنجاییکه نتایج رادیوگرافی، آناتومی قفسه سینه را بهطور کامل نشان میدهد، برآمدگی جانبی آن میتواند محل دقیق ناهنجاریهای ریه در بدن بیمار را مشخص کند [7]. علاوه بر این، رادیوگرافی قفسه سینه نسبت به سایر روشهای تصویربرداری مانند سونوگرافی و سیتیاسکن، ارزانتر است [8]؛ بنابراین، در جامعه پزشکی امروز، از رادیوگرافی قفسه سینه برای شناسایی بیماریهای اندامهای داخلی ازجمله ریه، بهطور گسترده استفاده میشود. بااینحال، استفاده از نتایج خام رادیوگرافی قفسه سینه، گاهی اوقات در تشخیص بیماریهای ریوی عملکرد قابلقبولی ندارد [9]. استفاده از رویکردهای آنالیز تصویر مبتنی بر یادگیری ماشین میتواند به شناسایی دقیقتر و سریعتر هر نوع ناهنجاری در ریههای بیمار کمک شایانی کند [10].
بررسیها نشان میدهند که مطالعات گستردهای در حوزه تشخیص خودکار بیماریهای ریوی بینابینی با بهرهبرداری از رویکردهای مبتنی بر یادگیری ماشین انجام شده است. گروهی از این رویکردها از الگوریتمهای کلاسیک مانند نزدیکترین همسایه وزندار مبتنی بر فاصله اقلیدسی، فاصله EarthMovers، ماتریس همرویداد برای سطوح خاکستری و شبکه عصبی مصنوعی برای تمایز بین ریههای سالم و بیمار در تصاویر رادیوگرافی بهره بردند [11], [12]. اگرچه این روشها کارایی قابلقبولی داشتند، اما به دلیل عدم استفاده از مرحله پیشپردازش برای حذف نویز از تصاویر ورودی، حساسیت به چرخش تصویر، مقیاسبندی و شدت، استفاده از طبقهبندیکننده دودویی و عدم توجه به تقسیم دادهای استاندارد، دقت قابلقبولی را برای برنامههای کاربردی پزشکی ارائه نمیدهند [13]. برای مقابله با این چالش، گروه دیگری از نویسندگان، استفاده از رویکردهای مبتنی بر یادگیری عمیق را پیشنهاد کردند [14], [15] اگرچه این رویکردها دقت تشخیص بالایی را ارائه میدهند، اما به تعداد دادههای یادگیری زیادی نیاز دارند [16].
در اغلب برنامههای کاربردی پزشکی جهت تشخیص بیماریها، هدف اصلی به حداکثر رساندن دقت تشخیص با استفاده از حداقل تعداد دادههای یادگیری است [17]؛ بنابراین، در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی با استفاده از ویژگیهای تبدیل کسینوسی گسسته در تصاویر رادیوگرافی ارائه میشود؛ این روش، تشخیص خودکار بیماریهای ریوی (ALDI2) نام دارد. در گام اول از روش ALDI، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف میشود. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. در گام دوم، پایایی روش ALDI با استفاده از تبدیل رادان، به نویزهای سفید (صفر) بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش مییابد. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده در مراحل پیشین، به دو دسته یادگیری و تست تقسیم میشوند تا با استفاده از دادههای یادگیری، مدلهای مختلفی جهت تشخیص خودکار بیماریهای ریوی ساخته شود. درنهایت، با استفاده از دادههای تست، مدلهای ساختهشده ارزیابی شده و بهترین آنها، بهعنوان مدل نهایی انتخاب میشود.
نتایج حاصل از شبیهسازی روش پیشنهادی بر روی مجموعه داده مرکز بالینی NIH [18], [19] نشان میدهد که طبقهبندیکننده درخت تصمیم با افزایش مقدار متوسط F-Value نسبت به رویکردهای K-نزدیکترین همسایه، ماشین بردار پشتیبان و شبکه عصبی مصنوعی، تصاویر رادیوگرافی قفسه سینه را با صحت و حساسیت بیشتری طبقهبندی میکند. همچنین، این رویکرد با به حداقل رساندن خطای اعتبارسنجی متقابل در تشخیص خودکار بیماریهای ریوی بینابینی، عملکرد بهتری نسبت به سایر طبقهبندیکنندهها دارد. علاوه بر این موارد، روش مبتنی بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت، دقیقترین مدل را نسبت به رویکردهای اخیر موجود در حوزه تشخیص خودکار بیماریهای بینابینی ریوی ارائه میدهد. بر این اساس، استفاده از رویکرد درخت تصمیم برای طبقهبندی تصاویر پردازششده میتواند دقیقترین نتایج را در برنامههای کاربردی پزشکی مانند تشخیص خودکار بیماریهای بینابینی ریوی ارائه دهد.
بهطور خلاصه، نوآوریهای اصلی این مقاله به شرح زیر میباشند:
• ارائه روشی نوین جهت تشخیص خودکار بیماریهای ریوی با حداکثر دقت و با استفاده از حداقل تعداد دادههای یادگیری.
• بهبود نرخ تشخیص با استفاده از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته.
• کاهش تعداد ویژگیهای مورداستفاده با استفاده از رویکرد آنالیز تشخیصی حساس به مکان.
• استفاده از رویکردهای مختلف برای استخراج بهترین مدل جهت طبقهبندی تصاویر پردازششده به دو گروه ریههای سالم و بیمار با حداکثر حساسیت و کمترین میزان خطای اعتبارسنجی متقابل.
ساختار بخشهای بعدی مقاله، به شرح زیر تنظیم شده است: در بخش دوم، رویکردهای پیشین موجود جهت تشخیص خودکار بیماریهای ریوی بررسی خواهند شد. بخش سوم، شامل توضیحاتی در مورد گامهای اصلی روش پیشنهادی مقاله است. در بخش چهارم، به ارزیابی نتایج حاصل از راهکار پیشنهادی و مقایسه آن با آخرین روشهای موجود پرداخته شده، نشان داده میشود که روش ALDI تا چه حد توانسته است به اهداف موردنظر مقاله نزدیک شود. درنهایت، نتیجهگیری مقاله در بخش پنجم آورده شده است.
1- روشهای پیشین
بررسیها نشان میدهند که مطالعات گستردهای در حوزه تشخیص خودکار بیماریهای ریوی با استفاده از رویکردهای مبتنی بر یادگیری ماشین انجام شده است. در همین راستا، الیوریا و همکاران او [20] شبکه مبتنی بر یادگیری ماشین [21], [22] را برای تشخیص بیماریهای ریوی، بهویژه ذاتالریه ارائه کردند. نویسندگان، زیرمجموعهای از 40 تصویر پایگاه داده (20 تصویر از ریه سالم و 20 تصویر از ریه بیمار) را برای آموزش روش پیشنهادی استفاده کردند. سامانه موردنظر با استفاده از 20 تصویر آزمایشی تصادفی دیگر که از همان پایگاه داده استخراج شده بود، مورد ارزیابی قرار گرفت. در این روش، ویژگیهای پایهای با بهرهگیری از هشت عامل تبدیل موجک [23] استخراج شدند. سپس، ویژگیهای تصاویر ریههای سالم و ناسالم با کمک روش نزدیکترین همسایه وزندار مبتنی بر فاصله اقلیدسی [24] متمایز شدند. اگرچه استفاده از این رویکردهای مبتنی بر تبدیل موجک توانسته است دقت استخراج ویژگیها از تصاویر رادیوگرافی را بهبود بخشد، اما این روش فاقد مرحله پیشپردازش برای حذف نویز از تصاویر ورودی است.
خاتری و همکاران او [25] استفاده از فاصله EarthMovers [26] را برای تشخیص ذاتالریه در تصاویر رادیوگرافی پیشنهاد کردند. در مرحله پیشپردازش، نویسندگان مناطق ریه در تصاویر خام را جهت حذف نویزهای احتمالی برش دادند. سپس، شدت تصاویر استانداردسازی شده و از تفاوت فاصلهEarthMovers برای تشخیص نمونههای بیمار از سالم استفاده شد. اگرچه استفاده از رویکرد مبتنی بر فاصله EarthMovers، دقت قابلقبولی دارد، اما این روش به تغییرات ناشی از چرخش تصویر، مقیاسبندی و شدت، حساس است؛ بنابراین، نمیتواند حجم بالایی از دادهها را مدیریت کند.
وارلا-سانتوس و پاتریشیا [27] یک رویکرد مبتنی بر یادگیری ماشین برای طبقهبندی تصاویر رادیوگرافی شامل ریههای سالم و مبتلا به بیماریهای بینابینی معرفی کردند. ابتدا، نویسندگان از روش پیشپردازش مبتنی بر یکسانسازی هیستوگرام جهت استخراج مناطق ریه از تصاویر ورودی و تغییر اندازه دادهها استفاده کردند. برای استخراج ویژگیها و طبقهبندی تصاویر نیز، ماتریس همرویداد برای سطوح خاکستری [28] و شبکه عصبی مصنوعی [29] مورداستفاده قرار گرفتند. نتایج تجربی نشان میدهد که این روش نهتنها دقت پایینی دارد، بلکه فقط از طبقهبندیکننده دودویی برای تشخیص ریههای بیمار در تصاویر رادیوگرافی استفاده میکند.
چیکارا و همکاران او [30] از رویکردهای پیشپردازش و شبکه عصبی پیچشی از پیش آموزشدیده [31] برای تجزیهوتحلیل تصاویر و تشخیص اشیا، جهت تمایز بین تصاویر رادیوگرافی مبتلا به ذاتالریه و ریه سالم در کودکان استفاده کردند. درواقع، این روش از فیلتر میانه [32] برای کاهش نویزهای احتمالی موجود در تصاویر ورودی، از تصحیح گاما [33] برای نمایش درست پیکسلها، از همسانسازی هیستوگرام تطبیقی [34] برای بهبود کیفیت تصاویر و از رویکرد فشردهسازی JPEG [35] برای فشردهسازی اندازه تصاویر، بدون آسیب رساندن به کیفیت آنها بهره میبرد. نتایج تجربی نشان میدهد که استفاده از شبکه عصبی پیچشی از پیش آموزشدیده میتواند به تشخیص دقیقتر بیماریهای ریوی بینابینی در کودکان کمک کند؛ اما به تعداد دادههای یادگیری بالایی نیاز دارد.
تاکور و همکاران او [36] نیز از شبکه عصبی عمیق VGG16 از پیش آموزشدیده برای تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی استفاده کردند. در مرحله آموزش، نویسندگان از آموزش انتقال و تنظیم دقیق، جهت بالا بردن دقت تشخیص بهره بردند؛ بااینحال، نتایج حاصل از این مدل امیدوارکننده نبود [11]. برای بهبود نتایج حاصل از شبکههای عصبی عمیق، لیانگ و همکاران او [37]، شبکه عصبی پیچشی 49-لایهای را جهت تشخیص بیماریهای ریوی بینابینی مانند ذاتالریه بر روی مجموعه داده حاصل از تصاویر رادیوگرافی ریه کودکان ارائه دادند. این رویکرد، مشکل وضوح پایین تصاویر رادیوگرافی و همپوشانی در ناحیه التهابی دادههای اولیه را حل کرده، با کمک پارامترهای وزندار، روند تشخیص را در مجموعه دادههایی با مقیاس بزرگ بهبود بخشید. اگرچه این رویکرد نیز مشابه سایر روشهای مبتنی بر شبکههای عصبی عمیق، با کاهش تأثیر نویزهای موجود در دادهها، دقت تشخیص را بالا میبرد، اما به تعداد دادههای یادگیری بالایی نیاز دارد.
وو و همکاران او [38] استفاده ترکیبی از فیلتر میانی تطبیقی، الگوریتم جنگل تصادفی [39] و شبکه عصبی عمیق را برای تشخیص بیماری ذاتالریه در تصاویر رادیوگرافی پیشنهاد کردند. در این رویکرد، ابتدا نویزهای موجود در دادههای اولیه توسط فیلتر میانی تطبیقی حذف میشود. سپس، ویژگیهای موردنظر توسط شبکه عصبی عمیق استخراج شده، درنهایت، تصاویر با استفاده از الگوریتم جنگل تصادفی طبقهبندی میشوند. هراتی و همکاران او [18] نیز رویکرد ترکیبی مبتنی بر شبکه ترانسفورماتور فضایی، تقویت دادهها و شبکههای عصبی عمیق را جهت تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی با جهتگیریهای مختلف ارائه کردند. نتایج بررسیها نشان میدهد که اگرچه رویکردهای ترکیبی، سریعتر از سایر روشهای مشابه به نتیجه میرسند، اما دقت قابلقبولی ندارند. در مقاله دیگری، سرکار و همکاران او [40] روش مبتنی بر پیشپردازشی را برای ارائه مدل بهینه یادگیری عمیق جهت تشخیص بیماریهای ریوی بینابینی در تصاویر رادیوگرافی پیشنهاد کردند. نویسندگان از فیلتر دوطرفه [41] و الگوریتم CLAHE [42] برای بهبود کیفیت تصاویر ورودی بهره بردند. همچنین، یک مدل اصلاحشده یادگیری عمیق که از لایه شکاف بهجای لایه پهن استفاده میکند، جهت بهبود دقت تشخیص معرفی شد. اگرچه این رویکرد دقت قابلقبولی دارد، اما از تقسیم دادهای استاندارد برای ارزیابی روند تشخیص بیماری استفاده نمیکند.
درنهایت، رویکردهای جدیدتر بر تشخیص خودکار بیماری COVID-19 در تصاویر رادیوگرافی قفسه سینه تمرکز کردهاند [43]–[46] اغلب این روشها، شبکه عصبی عمیق را جهت تجزیهوتحلیل دقیقتر تصاویر دادهای استاندارد مورداستفاده قرار دادهاند. بااینحال، این رویکردها نیز به تعداد دادههای یادگیری زیادی نیاز دارند.
بررسی دقیقتر روشهای پیشین موجود در حوزه تشخیص خودکار بیماریهای ریوی بینابینی نشان میدهد که اغلب این رویکردها به دلیل عدم استفاده از مرحله پیشپردازش برای حذف نویز از تصاویر ورودی، حساسیت به چرخش تصویر، مقیاسبندی و شدت، استفاده از طبقهبندیکننده دودویی و عدم توجه به تقسیم دادهای استاندارد، دقت قابلقبولی را برای برنامههای کاربردی پزشکی ارائه نمیدهند. علاوه بر این، رویکردهای مبتنی بر یادگیری عمیق با دقت تشخیص بالا، به تعداد دادههای یادگیری زیادی نیاز دارند. این در حالی است که در اغلب برنامههای کاربردی پزشکی جهت تشخیص بیماریها، هدف اصلی به حداکثر رساندن دقت تشخیص با استفاده از حداقل تعداد دادههای یادگیری است.
2- روش پیشنهادی
در این بخش، یک روش جدید مبتنی بر هوش مصنوعی برای تشخیص خودکار بیماریهای ریوی بینابینی در تصاویر رادیوگرافی قفسه سینه ارائه خواهد شد. روش ارائهشده، تشخیص خودکار بیماریهای ریوی (ALDI) نام دارد. همانطور که در شکل 1 نشان داده شده است، روش ALDI شامل سه گام پیشپردازش، پردازش اصلی و طبقهبندی است. در گام اول، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف میشود. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. در گام دوم، پایایی روش پیشنهادی با استفاده از تبدیل رادان، به نویزهای سفید (صفر) بهبود یافته، دادههای اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداری از تبدیل موجک گسسته و استخراج ویژگیهای مبتنی بر تبدیل کسینوسی گسسته افزایش مییابد. سپس، ضرایب مستخرج از تبدیل کسینوسی گسسته با استفاده از روش زیگزاگ، از حالت بردار 2-بعدی به 1-بعدی تبدیل شده و تعداد ویژگیهای نهایی با استفاده از رویکرد آنالیز تشخیصی حساس به مکان کاهش مییابد. در گام سوم، تصاویر پردازششده در مراحل پیشین به دو دسته یادگیری و تست تقسیم شده؛ با استفاده از دادههای یادگیری، مدلهای مختلفی ایجاد میشود. درنهایت، با کمک دادههای تست، مدلهای ساختهشده، ارزیابی شده و بهترین آنها بهعنوان مدل نهایی انتخاب میشود.
× نویسنده مسئول: صمد نجارقابل، samad.najjar@gmail.com
[2] Automatic Lung Diseases Identification
شكل 1: شمای کلی روش پیشنهادی (ALDI)
3-1 گام اول: پیشپردازش
در اولین گام از روش ALDI، اطلاعات بیماران از تصاویر خام رادیوگرافی قفسه سینه حذف میشود، بهطوریکه فقط پیکسلهای مربوط به اندامهای قفسه سینه باقی بمانند. سپس، پیکسلهای باقیمانده، جهت دستیابی به وضوح موردنظر و پردازشهای دقیقتر بعدی، استانداردسازی میشوند. علاوه بر این، کنتراست تصاویر رادیوگرافی قفسه سینه با اندازه طبیعی و غیرطبیعی، با استفاده از رویکرد همسانسازی هیستوگرام تطبیقی کنتراست محدود [47] بهبود مییابد. این رویکرد، تصاویر ورودی را که اندازه آنها تغییر داده شده است، به پنجرههایی با اندازه مشخص تقسیم میکند تا همسانسازی هیستوگرام تطبیقی را روی آنها اجرا کند. درنتیجه، شدت پیکسلهای پنجرهها با مقادیر شدت جدید جایگزین میشوند تا با مقادیر هیستوگرامهای شدت هر پنجره، سازگار باشند. شکل 2 تصاویر رادیوگرافی ریههای سالم و بیمار را که اندازه آنها تغییر داده شده است، نشان میدهد.
|