• Home
  • Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images

Share To

Article Url


Manuscript ID : 1402061443906 Visit : 1842 Page: 124 - 140

20.1001.1.27170411.1402.15.55.7.8

Article Type: Original Research

Automatic Lung Diseases Identification using Discrete Cosine Transform-based Features in Radiography Images

Subject Areas : ICT

Shamim Yousefi 1 , Samad Najjar-Ghabel 2

1 - University of Mohaghegh Ardabili.Ardabil.Iran
2 - University of Mohaghegh Ardabili

Received: 2022-01-28 Accepted : 2022-02-27 Published : 2023-09-05

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.

References:


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.
Full-Text:
بسمه‌ تعالي‌

 

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال پانزدهم، شماره‌هاي 55 و 56، بهار و تابستان 1402

صفحات:124 الی 140

E:\E Drive\logo\iicta Logo0.JPG 

 

 

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 


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.

 

[1]  

× نویسنده مسئول: صمد نجارقابل، samad.najjar@gmail.com 

 

[2]  Automatic Lung Diseases Identification

img0 

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.

img0 

img0 

(الف)

(ب)

شكل‌ 2: تصاویر رادیوگرافی قفسه سینه که اندازه آن­ها تغییر داده شده است؛ الف) ریه سالم و ب) ریه بیمار.

 

3-2 گام دوم: پردازش اصلی

در این گام، پردازش­ اصلی روش ALDI بر روی تصاویر رادیوگرافی قفسه سینه که اندازه آن­ها تغییر داده شده است، اعمال می­شود. این گام، شامل مراحل تبدیل رادان، فیلتر Top-hat، تبدیل موجک گسسته، تبدیل کسینوسی گسسته، رویکرد زیگزاگ و آنالیز تشخیصی حساس به مکان است. به بیان دقیق­تر، 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 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 ادامه، هر یک از این مراحل تشریح خواهند شد.

3-2-1 تبدیل رادان

در برنامه­های کاربردی پزشکی با هدف تشخیص بیماری­های خاص، استفاده از تبدیل رادان بر روی تصاویر رادیوگرافی که اندازه آن­ها تغییر داده شده است، می­تواند پایایی روش ALDI را به نویزهای سفید (صفر) بهبود دهد [48]. تابع تبدیل رادان دوبعدی به‌صورت (1) تعریف می‌شود:

(1)

img0 

در این معادله، پارامتریزه شدن خط مستقیم L با توجه به طول کمان z به‌صورت (2) صورت می­گیرد:

(2)

img0 

در این معادله، s فاصله L از مبدأ و زاویه‌ای‌ است که بردار نرمال L با محور xها می‌سازد. مقادیر (α,s) به‌عنوان مختصات مساحت روی خطوط در فضای دوبعدی در نظر گرفته می­شوند. تبدیل رادان در این مختصات به‌صورت (3) تعریف می­شود:

(3)

img0 

img0 

خروجی حاصل از اعمال تبدیل رادان دوبعدی بر روی تصاویر رادیوگرافی قفسه سینه که اندازه آن­ها تغییر داده شده، در شکل 3 نشان داده شده است.

 

 

 

 

img0 

img0 

(الف)

(ب)

شكل‌ 3: نتایج حاصل از اعمال تبدیل رادان بر روی تصاویر رادیوگرافی که اندازه آن­ها تغییر داده شده است؛ الف) ریه سالم و ب) ریه بیمار.

3-2-2 فیلتر Top-hat

خروجی­ حاصل از اعمال تبدیل رادان، به­عنوان ورودی مرحله فیلتر Top-hat استفاده می­شود؛ یعنی پس از تبدیل رادان، فیلتر Top-hat بر روی تصاویر رادیوگرافی ورودی اعمال می­شود تا داده­های اضافی را حذف کند. فرآیند اصلی فیلتر Top-hat شامل دو نوع فیلتر (بر اساس تغییر عملکرد عناصر ساختاری) است [49]:

•       فیلتر Top-hat سیاه که ساختارهای تیره را از تصاویر رادیوگرافی قفسه سینه استخراج می­کند.

•       فیلتر Top-hat سفید که ساختارهای روشن را از تصاویر رادیوگرافی قفسه سینه استخراج می­کند.

اعمال فیلتر Top-hat بر روی تصاویر رادیوگرافی، روند تشخیص بیماری­های ریوی بینابینی را بهبود می­بخشد. درواقع، فرآیند فیلتر کردن، شیب بین پیکسل­های روشن و تیره را در تصاویر ورودی افزایش می­دهد؛ بنابراین، پیکسل­های اضافی از تصاویر رادیوگرافی حذف شده، درنتیجه، لبه­های این پیکسل­ها مشخص­تر می­شوند. نتایج حاصل از فیلتر Top-hat بر روی تصاویر رادیوگرافی قفسه سینه که تبدیل رادان بر روی آن­ها اعمال شده، در شکل 4 نشان داده شده است.

img0 

img0 

(الف)

(ب)

شكل‌ 4: نتایج حاصل از اعمال فیلتر Top-hat؛ الف) ریه سالم و ب) ریه بیمار.

3-2-3 تبدیل موجک گسسته

برای بهبود نرخ تشخیص در برنامه­های کاربردی پزشکی مانند تجزیه­وتحلیل تصاویر رادیوگرافی، می­توان بر روی پیکسل­های حاصل از مرحله فیلتر Top-hat، تبدیل موجک گسسته را اعمال کرد [50]. اعمال تابع تبدیل موجک گسسته هار بر روی تصاویر رادیوگرافی قفسه سینه می­تواند تغییرات ناگهانی در ضرایب سیگنال را با توجه به شکل آن­ها، به‌طور مؤثری بازیابی کند. درواقع، نتایج تبدیل موجک گسسته، ضرایب افقی، عمودی و مورب را با فیلترهای بالاگذر و پایین­گذر جدا می­کند. نتایج حاصل از اعمال تبدیل موجک گسسته بر روی تصاویر رادیوگرافی قفسه سینه که فیلتر Top-hat بر روی آن­ها اعمال شده، در شکل 5 نشان داده شده است.

 

 

 

img0 

img0 

(الف)

(ب)

شكل‌ 5: نتایج حاصل از اعمال تبدیل موجک گسسته؛ الف) ریه سالم و ب) ریه بیمار.

3-2-4 تبدیل کسینوسی گسسته

ضرایب تقریبی حاصل از تبدیل موجک گسسته به‌عنوان ورودی به مرحله تبدیل کسینوسی گسسته داده می‌شوند تا ویژگی‌های حوزه فرکانس استخراج گردند، زیرا این ویژگی­ها در مقایسه با ضرایب حاصل از تبدیل موجک گسسته، توانایی تشخیص بهتری دارند. درواقع، تبدیل کسینوسی گسسته یک روش فشرده‌سازی تصویر است که ماتریس ویژگی‌های حوزه فرکانس را استخراج می‌کند. نتایج حاصل از اعمال تبدیل کسینوسی گسسته بر روی ضرایب تقریبی حاصل از تبدیل موجک گسسته در شکل 6 نشان داده شده است.

img0 

img0 

(الف)

(ب)

شكل‌ 6: نتایج حاصل از اعمال تبدیل کسینوسی گسسته؛ الف) ریه سالم و ب) ریه بیمار.

3-2-5 رویکرد زیگزاگ

در این مرحله از تجزیه­و­تحلیل تصاویر رادیوگرافی قفسه سینه، تعداد محدودی از ضرایب حاصل از تبدیل کسینوسی گسسته، انتخاب می­شوند؛ سایر ضرایب حذف خواهند شد. لازم به ذکر است که انتخاب ضرایب از ماتریس تبدیل کسینوسی گسسته یک مرحله حیاتی در فرآیند استخراج ویژگی­ها در برنامه­های کاربردی تشخیص بیماری­ها است. در روش ALDI مقاله، از رویکرد زیگزاگ برای تبدیل ضرایب حاصل از تبدیل کسینوسی گسسته دوبعدی مستخرج به آرایه یک­بعدی استفاده می­شود [51]. به بیان دقیق­تر، از رویکرد زیگزاگ جهت درهم‌آمیزی ضرایب حاصل از تبدیل کسینوسی گسسته استفاده می­شود تا عناصر موجود در ماتریس دوبعدی ضرایب، اسکن شده؛ سپس از گوشه سمت چپ بالایی، به­صورت یک ماتریس یک­بعدی مرتب شوند.

3-2-6 آنالیز تشخیصی حساس به مکان

در مرحله آخر از پردازش اصلی، آرایه ضرایب یک­بعدی حاصل از تبدیل کسینوسی گسسته جهت کاهش ابعاد ویژگی­ها، به­عنوان ورودی الگوریتم آنالیز تشخیصی حساس به مکان مورداستفاده قرار می­گیرند. الگوریتم آنالیز تشخیصی حساس به مکان کلاس­ها و همبستگی داده­ها را مشخص می­کند [52]. فرض بر این است که n داده X1,X2,...,Xn∈R نمونه­های دلخواهی از M نوع مختلف هستند. فشردگی بین کلاس­ها (Cc) و تفکیک­پذیری بین آن­ها (Cs) در این الگوریتم جهت کاهش بعد داده­ها، به ترتیب، طبق  (4) و (5) محاسبه می­شوند:

 

(4)

img0 

 

(5)

img0 

در این معادله­ها، k1= αTX1 و km= αTXm، به ترتیب نگاشت­های یک­بعدی X1 و Xm را نشان می­دهند. همچنین، X1 و Xm، به ترتیب به ماتریس­های وزن فشردگی بین کلاس­ها و تفکیک­پذیری بین آن­ها اشاره دارند. α نیز جهت داده­های پیش­بینی­شده را نمایش می­دهد.

درنهایت، تجزیه­و­تحلیل واریانس برای انتخاب ویژگی­ها استفاده می­شود [53]. این روش، میانگین جمعیت بیش از دو کلاس را مقایسه می­کند؛ اگر این اختلاف بیشتر از یک آستانه از پیش تعیین‌شده باشد، ویژگی به‌عنوان یک ویژگی معنی­دار در نظر گرفته می­شود و بالعکس. رتبه­بندی ویژگی­ها با استفاده از رویکرد تجزیه­و­تحلیل واریانس محاسبه می­شود؛ ویژگی با بالاترین F-value، رتبه اول را به دست می­آورد و بالعکس.

3-3 گام سوم: طبقه­بندی

هدف گام آخر از روش ALDI، ایجاد مدل نهایی با کمک تصاویر پردازش­شده در مراحل قبلی است. به‌عبارت‌دیگر، در این گام مدل‌های مختلفی با استفاده از داده­های یادگیری ایجاد و بر اساس پارامترهای اساسی ارزیابی می­شوند تا بهترین مدل به‌عنوان خروجی گزارش ­شود.

همان­طور که در شکل 1 نشان داده شده است، دستیابی به هدف گام سوم از روش پیشنهادی، با اعمال چند مرحله ممکن خواهد بود؛ بدین صورت که بعد از اعمال دو گام قبلی روی همه تصاویر رادیوگرافی، داده­ها به دو دسته یادگیری و تست تقسیم می­شوند. سپس، الگوریتم­های مختلف طبقه­بندی، جهت ایجاد مدل‌های مناسب روی داده­های یادگیری اعمال می­شوند. در ادامه، با استفاده از داده­های تست، مدل‌های ایجادشده جهت انتخاب بهترین مدل موردارزیابی قرار می­گیرند. درنهایت، مدلی که بهترین کارایی را دارد، به‌عنوان خروجی گام سوم انتخاب می­شود. در این نقطه، نمونه­های جدیدی از تصاویر را که سالم یا بیمار بودن آن­ها مشخص نیست، می­توان با استفاده از مدل نهایی با دقت بالایی طبقه­بندی کرد. در روش ALDI، طبقه‌بندی‌کننده‌ درخت تصمیم (1DT) [54]، k-نزدیک‌ترین همسایه (2k-NN) [55]، ماشین بردار پشتیبان (SVM3) [56] و شبکه عصبی مصنوعی (ANN4) [57] برای به دست آوردن مدل نهایی استفاده می‌شوند. در ادامه، هر یک از این طبقه‌بندی‌کننده‌ها به­طور مختصر توضیح داده می­شوند:

•       درخت تصمیم (DT): یکی از پرکاربردترین الگوریتم­‌های داده­‌کاوی در برنامه­های کاربردی پزشکی مانند تشخیص بیماری­ها از روی تصاویر رادیوگرافی پردازش­شده، الگوریتم درخت تصمیم است. این الگوریتم، به­صورت یک مدل پیش­بینی­کننده تعریف می­شود، به‌طوری‌که بتواند برای برنامه­های کاربردی مبتنی بر طبقه‌­بندی مورداستفاده قرار گیرد. ازآنجایی‌که الگوریتم درخت تصمیم، مجموعه داده‌­های دارای خطا، مقادیر مفقوده و روش­های ناپارامتری را مدنظر قرار می­دهد، یک رویکرد غنی برای نمایش هرگونه طبقه‌­بندی به شمار می­رود [54].

•       K-نزدیک‌ترین همسایه (K-NN): الگوریتم K-نزدیک‌ترین همسایه، یکی از ساده‌ترین رویکردهایی است که برای حل مسائل طبقه‌بندی مورداستفاده قرار می­گیرد. باوجود سادگی، نتایج این الگوریتم قابل‌رقابت با الگوریتم‌های مشابه است. سهولت در تفسیر نتایج خروجی‌، قدرت پیش‌بینی بالا و زمان محاسبه قابل­قبول باعث شده است که از این الگوریتم به­طور گسترده­ای در برنامه­های کاربردی پزشکی مانند تشخیص بیماری­ها از روی تصاویر رادیوگرافی پردازش­شده استفاده شود [55].

•       ماشین بردار پشتیبانی (SVM): ماشین بردار پشتیبان یک الگوریتم طبقه­بندی بسیار قدرتمند است. زمانی که این رویکرد همراه با الگوریتم­ها و ابزارهای یادگیری ماشین دیگر استفاده شود، می‌تواند مدل غنی­تری برای طبقه­بندی داده‌های حساس مانند تصاویر پزشکی ارائه دهد. همچنین، الگوریتم ماشین بردار پشتیبان در برنامه­های کاربردی که قدرت پیش‌بینی بالایی موردنیاز است، یک گزینه عالی به شمار می­رود. بااین‌حال، تصویرسازی این الگوریتم‌ دشوار است، زیرا فرمول‌بندی پیچیده­ای دارد. علاوه بر این، هنگامی‌که مجموعه داده ورودی، نویز زیادی داشته باشد، الگوریتم ماشین بردار پشتیبان عملکرد قابل­قبولی ندارد، زیرا کلاس‌های هدف دچار همپوشانی می‌شوند [56].

•       شبکه عصبی مصنوعی (ANN): شبکه­ عصبی مصنوعی یکی از رویکردهای محاسباتی نوین در حوزه یادگیری ماشین، نمایش دانش و پیش‌بینی نتایج خروجی از سامانه‌های پیچیده است. ایده اصلی این الگوریتم از روند کارکرد سیستم عصبی-زیستی مغز انسان برای پردازش داده‌ها جهت یادگیری الهام گرفته است. الگوریتم شبکه­ عصبی مصنوعی برای تخمین و تقریب، کارایی بسیار خوبی از خود نشان می­دهد. بر این اساس، گستره کاربرد این مدل‌ ریاضی، بسیار وسیع می‌باشد که به‌عنوان نمونه می­توان به طبقه­بندی تصاویر رادیوگرافی پردازش­شده جهت تشخیص بیماری­ها اشاره کرد [57].

3-       ارزیابی روش پیشنهادی

در این بخش، به ارزیابی روش ALDI و مقایسه آن با رویکردهای اخیر موجود جهت تشخیص خودکار بیماری­های ریوی در تصاویر رادیوگرافی پرداخته می­شود. برای این منظور، در مطالعه موردی مقاله، از مجموعه داده تصاویر رادیوگرافی قفسه سینه مرکز بالینی NIH استفاده می­شود [18], [19]. از این مجموعه داده، 670 تصویر رادیوگرافی قفسه سینه با وضوح 1024×1024پیکسل به­عنوان نمونه استخراج شده است که 469 مورد (70%)، به­عنوان داده یادگیری و 201 مورد (30%)، به­عنوان داده تست مورداستفاده قرار می­گیرند.

در گام پیش­پردازش، پس از حذف اطلاعات بیماران از تصاویر خام، اندازه بخش­های باقیمانده به حالت استاندارد 480×480پیکسل تبدیل می­شود تا مراحل پردازش اصلی با تأثیر یکسان روی همه داده­ها اعمال شود. همچنین، از رویکرد اعتبارسنجی متقابل Kلایه­ای5 با K=10 در تحلیل آماری مجموعه ‌داده­ها استفاده می­شود تا بررسی گردد که مدل پیشنهادی تا چه اندازه قابل‌تعمیم بوده و مستقل از داده‌های یادگیری عمل می­کند [58]. به بیان دقیق­تر، استفاده از رویکرد اعتبارسنجی متقابل 10لایه­ای مشخص می­کند که مدل پیشنهادی مقاله تا چه اندازه در برنامه­های کاربردی واقعی مفید خواهد بود. این رویکرد، داده‌ها را به 10 زیرمجموعه افراز می­کند تا هر بار یکی از زیرمجموعه­ها برای اعتبارسنجی و 9 زیرمجموعه دیگر برای یادگیری مورداستفاده قرار گیرند. این روند 10 بار تکرار می‌شود تا همه داده‌ها فقط یک‌بار برای یادگیری و یک‌بار برای اعتبارسنجی استفاده شوند. درنهایت، میانگین نتیجه 10 بار اعتبارسنجی به‌عنوان تخمین نهایی گزارش می­شود.

درنهایت، به‌منظور تجزیه­و­تحلیل عملکرد روش‌ ALDI، همه شبیه­سازی­ها در نرم­افزار MATLAB R2018a و در کامپیوتری با سیستم‌عامل Windows 10 با ویژگی­های Intel (R) Core (TM) i7 3520M CPU @ 2.90 GHz and 8 GB RAM انجام شده است. 

4-1 مقایسه روش­های طبقه­بندی مورداستفاده

در این بخش، به بررسی عملکرد طبقه­بندی­کننده­های مورداستفاده در روش تشخیص خودکار بیماری­های ریوی بینابینی (DT، K-NN، SVM و ANN)، با مقایسه شاخص­های خطای اعتبارسنجی متقابل، مثبت درست، منفی درست، مثبت کاذب، منفی کاذب، دقت، حساسیت، صحت و F-Value پرداخته می­شود.

خطای اعتبارسنجی متقابل، خطای حاصل از مدل رگرسیون اعتبارسنجی متقابل (خطای میانگین مربعات) را نشان می­دهد [58]. به بیان دقیق­تر، خطای هر لایه غیر یادگیری از مدل اعتبارسنجی متقابل Kلایه­ای، با استفاده از مشاهدات مدل لایه یادگیری محاسبه می­شود. همان­طور که در ستون دوم از جدول 1 نشان داده شده است، خطای اعتبارسنجی متقابل برای طبقه­بندی­کننده DT، صفر است. همچنین، مقدار این خطا در صورت استفاده از رویکرد­های K-NN و ANN، کم­تر از SVM است.

مثبت درست، تعداد نتایجی را نشان می­دهد که در آن­ها، مدل پیشنهادی مقاله، به‌درستی کلاس مثبت (ریه­های مبتلا به بیماری) را برای داده­های تست پیش­بینی کرده است. به­طور مشابه، منفی درست، به تعداد نتایجی اشاره دارد که در آن­ها، مدل پیشنهادی مقاله، به‌درستی کلاس منفی (ریه­های سالم) را پیش­بینی کرده است. همچنین، مثبت کاذب، تعداد نتایجی را نشان می­دهد که در آن­ها، مدل پیشنهادی مقاله، کلاس مثبت (ریه­های مبتلا به بیماری) را به‌درستی پیش­بینی نکرده است. به­طور مشابه، منفی کاذب، به تعداد نتایجی اشاره دارد که در آن­ها، مدل پیشنهادی مقاله، کلاس منفی (ریه­های سالم) را به‌درستی پیش­بینی نکرده است [59]. همان­طور که در ستون­های سوم تا ششم از جدول 1 مشاهده می­شود، طبقه­بندی­کننده DT با بیشترین مجموع مثبت درست و منفی درست، عملکرد بهتری نسبت به سایر رویکردها دارد. همچنین، نتایج حاصل از این جدول نشان می­دهد که رویکرد ANN در تشخیص نمونه­های مثبت/منفی بهتر از K-NN عمل می­کند. در این میان، طبقه­بندی­کننده SVM ضعیف­ترین عملکرد را در تشخیص درست نمونه­های مثبت/منفی ارائه می­دهد. این نتایج، برتری طبقه­بندی­کننده DT در تشخیص خودکار بیماری­های ریوی را نشان می­دهد، زیرا سایر شاخص­های مورداستفاده برای تجزیه­وتحلیل روش­های خودکار تشخیص بیماری­ها بر اساس مقادیر مثبت/منفی درست یا کاذب محاسبه می­شوند.

 دقت یا نرخ تشخیص، یکی از شاخص­های اساسی برای بررسی عملکرد روش­های خودکار تشخیص بیماری­ها است. این شاخص، نسبت کل پیشبینی­های درست به کل داده­ها را نشان می­دهد [59]. دقت (Accuracy) بر اساس (6) محاسبه می­شود:

(6)

img0 

در این معادله، TP و TN به ترتیب، به نتایج مثبت درست و منفی درست اشاره دارند. همچنین، P و N به ترتیب، نشان­گر تعداد تصاویر رادیوگرافی مبتلا به بیماری­های ریوی بینابینی و سالم هستند. همان­طور که در ستون هفتم از جدول 1 نشان داده شده است، بر اساس شاخص دقت نیز طبقه­بندی­کننده DT عملکرد بهتری نسبت به سایر رویکردها ارائه داده است. همچنین، این نتایج نشان می­دهد که رویکردهای ANN و K-NN تقریباً دارای دقت یکسانی هستند. این در حالی است که طبقه­بندی­کننده SVM با پایین­ترین دقت به طبقه­بندی تصاویر رادیوگرافی قفسه سینه می­پردازد؛ بنابراین، می­توان ادعا کرد که در تشخیص خودکار بیماری­های ریوی، طبقه­بندی­کننده­های DT، ANN، K-NN و SVM به ترتیب، دقیق­ترین عملکردها را ارائه می­دهند. این نتایج نیز، برتری رویکرد DT نسبت به سایر طبقه­بندی­کننده­ها را نشان می­دهد.

حساسیت معیاری است که میزان کامل بودن رویکردهای طبقه­بندی­کننده مورداستفاده برای تشخیص بیماری­های ریوی بینابینی را نشان می­دهد. به عبارت دیگر، این شاخص بیان می­کند که چند درصد از نمونه­های مثبت (تصاویر ریه­های مبتلا به بیماری) به‌صورت درستی برچسب­گذاری شده­اند [60]. حساسیت (Sensitivity) بر اساس (7) محاسبه می­شود:

(7)

img0 

در این معادله نیز TP و P به ترتیب، به نتایج مثبت درست و تعداد تصاویر رادیوگرافی مبتلا به بیماری­های ریوی بینابینی اشاره دارند. همان­طور که در ستون هشتم از جدول 1 نشان داده شده است، بر اساس شاخص حساسیت، طبقه­بندی­کننده­های DT و K-NN (با حساسیت کامل) عملکرد بهتری نسبت به سایر رویکردها ارائه می­دهند. همچنین، این نتایج نشان می­دهد که رویکرد ANN نسبت به طبقه­بندی­کننده SVM حساسیت بالاتری در تشخیص نمونه­های مثبت درست دارد؛ بنابراین، می­توان استدلال کرد که در تشخیص خودکار بیماری­های ریوی، طبقه­بندی­کننده­های DT و K-NN با حساسیت کامل، نسبت به رویکردهای مشابه، در تشخیص نمونه­های مثبت درست عملکرد بهتری ارائه می­دهند.

شاخص صحت نیز یکی از معیارهای پرکاربرد برای مقایسه روش­های طبقه­بندی جهت تشخیص انواع بیماری­ها در تصاویر رادیوگرافی است. صحت را می­توان به‌عنوان معیاری برای ارزیابی میزان دقت رویکردهای طبقه­بندی در نظر گرفت. این شاخص بیان می­کند که چند درصد از نمونه­هایی (تصاویر رادیوگرافی قفسه سینه) که با عنوان مثبت برچسب­گذاری شده­اند، واقعاً مبتلا به بیماری هستند [61]. صحت (Precision) بر اساس (8) محاسبه می­شود:

(8)

img0 

در این معادله، TP و FP به ترتیب، نشان­گر نتایج مثبت درست و مثبت کاذب هستند. همان­طور که در ستون نهم از جدول 1 نشان داده شده است، بر اساس شاخص صحت، طبقه­بندی­کننده­ ANN (با صحت کامل) عملکرد بهتری نسبت به سایر رویکردها ارائه می­دهد. همچنین، این نتایج نشان می­دهد که رویکردهای K-NN و SVM نسبت به طبقه­بندی­کننده­ DT صحت پایین­تری دارند؛ بنابراین، می­توان استدلال کرد که در تشخیص خودکار بیماری­های ریوی، طبقه­بندی­کننده­­های ANN و DT (با صحت بالا)، به­ترتیب، نسبت به رویکردهای مشابه، نمونه­های مثبت را با دقت بالاتری برچسب­گذاری می­کنند. 

درنهایت، معیار کلی برای ارزیابی رویکردهای مورداستفاده جهت طبقه­بندی تصاویر رادیوگرافی قفسه سینه، استفاده ترکیبی از معیارهای حساسیت و صحت است. این شاخص با عنوان F-Value یا میانگین هارمونیک حساسیت و صحت شناخته شده و به­صورت (9) محاسبه می­شود [62]:

(9)

img0 

همان­طور که در ستون دهم از جدول 1 نشان داده شده است، بر اساس شاخص F-Value نیز طبقه­بندی­کننده DT عملکرد بهتری نسبت به سایر رویکردها ارائه داده است. همچنین، این نتایج نشان می­دهد که طبقه­بندی­کننده SVM با پایین­ترین مقدار F-Value، به طبقه­بندی تصاویر رادیوگرافی قفسه سینه می­پردازد؛ بنابراین، می­توان ادعا کرد که در تشخیص خودکار بیماری­های ریوی، طبقه­بندی­کننده­ DT نسبت به سایر طبقه­بندی­کننده­ها عملکرد بهتری دارد.

جدول 1 مقایسه طبقه­بندی­کننده­های مورداستفاده

طبقه­بندی­کننده

خطای اعتبارسنجی متقابل

مثبت درست

منفی درست

مثبت کاذب

منفی کاذب

دقت

حساسیت

صحت

F-Value

DT

0

96

104

1

0

995/0

1

989/0

994/0

K-NN

0597/0

96

102

3

0

9851/0

1

96/0

98/0

ANN

0584/0

93

105

0

3

9851/0

9687/0

1

984/0

SVM

2388/0

90

57

48

6

7313/0

9375/0

6521/0

77/0

4-2 مقدار متوسط F-Value با افزایش تعداد داده­های یادگیری

همان­طور که در بخش 4-1 تعریف شد، F-Value با استفاده ترکیبی از میانگین هارمونیک شاخص­های حساسیت و صحت، به ارزیابی کلی رویکردهای مورداستفاده جهت طبقه­بندی تصاویر رادیوگرافی قفسه سینه می­پردازد. مقدار متوسط F-Value با افزایش تعداد داده­های یادگیری برای طبقه­بندی­کننده­های DT، K-NN، SVM و ANN در شکل 7 نشان داده شده است. بر اساس این شکل، متوسط F-Value در صورت استفاده از رویکرد DT برای تشخیص خودکار بیماری­های ریوی بینابینی، نسبت به روش­های K-NN، SVM و ANN، به ترتیب، 07/1، 73/1 و 7/1 برابر بیش­تر است. همچنین، این نمودار نشان می­دهد که در صورت افزایش تعداد داده­های یادگیری، مقدار F-Value برای طبقه­بندی­کننده­ DT به 100% میل می­کند. این نتایج بیان می­کند که رویکرد DT نسبت به طبقه­بندی­کننده­های مشابه با میانگین هارمونیک حساسیت و صحت بالاتر، بهترین رویکرد برای برنامه­های کاربردی پزشکی مانند تشخیص خودکار بیماری­های ریوی با استفاده از تصاویر رادیوگرافی می­باشد.

img0 

شكل‌ 7: مقدار متوسط F-Value با افزایش تعداد داده­های یادگیری.

4-3 مقدار متوسط خطای اعتبارسنجی متقابل با افزایش تعداد داده­های یادگیری

همان­طور که در بخش 4-1 اشاره شد، خطای اعتبارسنجی متقابل، خطای میانگین مربعات هر لایه غیر یادگیری از مدل اعتبارسنجی متقابل Kلایه­ای را با استفاده از مشاهدات مدل لایه یادگیری نشان می­دهد. در این بخش، به مقایسه میانگین تغییرات این شاخص در صورت استفاده از رویکردهای طبقه­بندی مختلف، بر اساس افزایش تعداد داده­های یادگیری پرداخته می­شود. همان­طور که در شکل 8 نشان داده شده است، با افزایش تعداد داده­های یادگیری به بیش از 50% کل داده­ها، خطای اعتبارسنجی متقابل طبقه­بندی­کننده DT، صفر می­شود، درحالی‌که این خطا برای روش­های K-NN، SVM و ANN، حتی در صورت استفاده از 100% از داده­ها به‌عنوان داده­های یادگیری، به صفر نمی­رسد. همچنین، این نمودار نشان می­دهد که متوسط خطای اعتبارسنجی متقابل در صورت استفاده از رویکرد DT برای تشخیص خودکار بیماری­های ریوی بینابینی، نسبت به روش­های K-NN، SVM و ANN، به ترتیب، 87/32%، 08/50% و 01/51% کاهش می­یابد. این نتایج اثبات می­کند که طبقه­بندی­کننده DT با به حداقل رساندن مقدار خطای اعتبارسنجی متقابل، رویکرد مناسبی برای طبقه­بندی تصاویر رادیوگرافی قفسه سینه جهت تشخیص بیماری­های ریوی بینابینی به شمار می­رود.

img0شكل‌ 8: مقدار متوسط خطای اعتبارسنجی متقابل با افزایش تعداد داده-های یادگیری.

 

4-4 مقایسه روش پیشنهادی با سایر رویکردها 

در این بخش، به مقایسه نتایج حاصل از روش پیشنهادی با آخرین رویکردهای موجود در حوزه تشخیص خودکار بیماری­های ریوی بینابینی پرداخته می­شود. لازم به ذکر است که در این مقایسه، مدل مبتنی بر درخت تصمیم (DT) با نتایج بهتر نسبت به سایر طبقه­بندی­کننده­ها، به­عنوان مدل نهایی مقاله در نظر گرفته شده است. همچنین، رویکردهای موردمقایسه با حروف A، B، C، D و E نام­گذاری شده­اند. برای دستیابی به نتایج دقیق­تر، این رویکردها نیز بر روی مجموعه داده تصاویر رادیوگرافی قفسه سینه مرکز بالینی NIH (با جزئیات مورداستفاده در پیاده­سازی روش پیشنهادی) شبیه­سازی می­شوند [18], [19]. نتایج این مقایسه­ها در جدول 2 نشان داده شده است.

همان­طور که در ستون دوم از جدول 2 نشان داده شده است، روش پیشنهادی مقاله نسبت به سایر رویکردها، دقت بالاتری دارد. به بیان عددی، دقت تشخیص بیماری­ها در صورت استفاده از روش ALDI نسبت به رویکردهای A، B، C، D و E، به­ترتیب، 38/1، 03/1، 001/1، 01/1 و 002/1برابر بهبود می­یابد. این نتایج بیان می­کند که روش پیشنهادی مقاله، با استفاده از حداقل تعداد داده­های یادگیری، دقت تشخیص را به حداکثر می­رساند.

ستون سوم از جدول 2 نشان می­دهد که روش پیشنهادی مقاله با حساسیت کامل به تشخیص بیماری­های ریوی در تصاویر رادیوگرافی قفسه سینه می­پردازد. به بیان دقیق­تر، حساسیت روش ALDI نسبت به رویکردهای A، B، C، D و E، به­ترتیب، 57/1، 04/1، 007/1، 02/1 و 01/1برابر بالاتر است. بنابراین، می­توان استدلال کرد که در تشخیص خودکار بیماری­های ریوی، روش پیشنهادی مقاله با حساسیت کامل، نسبت به رویکردهای مشابه، در تشخیص نمونه­های مثبت درست عملکرد بهتری ارائه می­دهد.

ستون­های چهارم و پنجم از جدول 2 نشان می­دهند اگرچه روش پیشنهادی مقاله نسبت به رویکردهای C و E صحت پایین­تری دارد، اما در مجموع، با مقدار F-Value بالاتر نسبت به رویکردهای موردمقایسه، تصاویر رادیوگرافی قفسه سینه را با میانگین هارمونیک حساسیت و صحت بالاتری طبقه­بندی می­کند. این نتایج بیان می­کند که ALDI میانگین حساسیت و صحت را نسبت به رویکردهای A، B، C، D و E، به­ترتیب، 54/1، 03/1، 002/1، 01/1 و 001/1برابر افزایش می­دهد. بنابراین، می­توان ادعا کرد که در تشخیص خودکار بیماری­های ریوی، روش پیشنهادی مقاله نسبت به سایر رویکردها عملکرد بهتری دارد.

جدول 2 مقایسه راهکار پیشنهادی با سایر رویکردها

رویکردها

دقت

حساسیت

صحت

F-Value

[18]A

719/0

635/0

665/0

644/0

[44]B

958/0

96/0

956/0

958/0

[46]C

994/0

993/0

992/0

992/0

[43]D

98/0

981/0

979/0

98/0

[45]E

993/0

987/0

1

993/0

ALDI

995/0

1

989/0

994/0

4-       نتیجه­­گیری

در این مقاله، روش جدیدی برای تشخیص خودکار بیماری­های ریوی بینابینی با بهره­گیری از روش­های مبتنی بر یادگیری ماشین ارائه شده است. در گام اول از روش پیشنهادی، ابتدا اطلاعات بیمار از تصاویر خام رادیوگرافی قفسه سینه حذف شده؛ سپس، پیکسل­های باقیمانده، جهت دستیابی به وضوح موردنظر و پردازش­های دقیق­تر بعدی، استانداردسازی شدند. در گام بعدی، پایایی روش پیشنهادی با استفاده از تبدیل رادان، به نویزهای سفید بهبود یافته، داده­های اضافی با کمک فیلتر Top-hat حذف شده و نرخ تشخیص با بهره­گیری از تبدیل موجک گسسته و استخراج ویژگی­های مبتنی بر تبدیل کسینوسی گسسته افزایش یافت. 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 بهینه شدند. در گام نهایی، تصاویر پردازش­شده، به دو دسته­ یادگیری و تست تقسیم شدند تا با استفاده از داده­های یادگیری، مدل­های مختلفی جهت تشخیص خودکار بیماری­ها ساخته ­شود. درنهایت، با استفاده از داده­های تست، بهترین مدل انتخاب شد. نتایج حاصل از شبیه­سازی روش پیشنهادی بر روی مجموعه داده NIH نشان می­دهد که رویکرد DT با افزایش مقدار متوسط F-Value نسبت به رویکردهای مشابه، می­تواند تصاویر رادیوگرافی قفسه سینه را با میانگین صحت و حساسیت بیشتری طبقه­بندی کند. همچنین، این رویکرد با به حداقل رساندن خطای اعتبارسنجی متقابل در تشخیص خودکار بیماری­های ریوی، عملکرد بهتری نسبت به طبقه­بندی­کننده­های K-NN، SVM و ANN 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؛ بنابراین، می­توان ادعا کرد که رویکرد مبتنی بر DT دقیق­ترین مدل (در میان رویکردهای مشابه) برای برنامه­های کاربردی پزشکی مانند تشخیص خودکار بیماری­های ریوی بینابینی به شمار می­رود.

مراجع

[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,” Adv. Ther., vol. 38, no. 7, pp. 4100–4114, Jul. 2021.

[2]        L. Sesé et al., “Adult interstitial lung diseases and their epidemiology,” Presse Med., 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 Respir. Res., vol. 7, no. 1, p. e000563, Apr. 2020.

[4]        K. K. Brown et al., “The natural history of progressive fibrosing interstitial lung diseases,” Eur. Respir. J., vol. 55, no. 6, p. 2000085, Jun. 2020.

[5]        F. Liu et al., “The application of artificial intelligence to chest medical image analysis,” Intell. Med., 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,” J. Thorac. Dis., 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,” J. Biomed. Sci. Eng., 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,” Interdiscip. Sci. Comput. Life Sci., 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,” Adv. Ther., 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,” J. 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,” Evol. Intell., Jan. 2021.

[15]        J. Ma, Y. Song, X. Tian, Y. Hua, R. Zhang, and J. Wu, “Survey on deep learning for pulmonary medical imaging,” Front. Med., 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,” J. Med. Internet Res., 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,” Comput. Biol. Med., 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 Med. Unlocked, vol. 20, p. 100391, 2020.

[19]        “NIH sample Chest X-rays dataset,” 2022. .

[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,” Int. J. Med. Inform., 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,” Nat. Rev. Mol. Cell Biol., 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,” Eur. Phys. J. 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,” Appl. Soft Comput., 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,” Mater. Today Proc., 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,” Multimed. Tools Appl., 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,” J. Ambient Intell. Humaniz. Comput., 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 Integr. Circuits Signal Process., 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,” J. Vis. Commun. Image Represent., 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,” Multimed. Tools Appl., vol. 80, no. 10, pp. 15067–15091, Apr. 2021.

[35]        M. S. El_Tokhy, “Development of optimum watermarking algorithm for radiography images,” Comput. Electr. Eng., 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,” Comput. Methods Programs Biomed., 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,” J. Intell. Fuzzy Syst., 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,” Front. Oncol., 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,” Eur. Phys. J. 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,” Multimed. Tools Appl., Jul. 2021.

[43]        Y.-D. Zhang, Z. Zhang, X. Zhang, and S.-H. Wang, “MIDCAN: A multiple input deep convolutional attention network for Covid-19 diagnosis based on chest CT and chest X-ray,” Pattern Recognit. Lett., vol. 150, pp. 8–16, Oct. 2021.

[44]        K. K. Singh and A. Singh, “Diagnosis of COVID-19 from chest X-ray images using wavelets-based depthwise convolution network,” Big Data Min. Anal., vol. 4, no. 2, pp. 84–93, Jun. 2021.

[45]        S. Kalaivani and K. Seetharaman, “A three-stade ensemble boosted convolutionalneural network for classification and analysis of covid-19 chest x-ray images,” Int. J. Cogn. Comput. Eng., Jan. 2022.

[46]        M. Z. Islam, M. M. Islam, and A. Asraf, “A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID-19) using X-ray images,” Informatics Med. Unlocked, vol. 20, p. 100412, 2020.

[47]        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.

[48]        D. Ziou, N. Nacereddine, and A. B. Goumeidane, “Scale space Radon transform,” IET Image Process., vol. 15, no. 9, pp. 2097–2111, Jul. 2021.

[49]        O. Ramos-Soto et al., “An efficient retinal blood vessel segmentation in eye fundus images by using optimized top-hat and homomorphic filtering,” Comput. Methods Programs Biomed., vol. 201, p. 105949, Apr. 2021.

[50]        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.

[51]        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.

[52]        H. Yao, Y. Zhang, Y. Wei, and Y. Tian, “Broad Learning System with Locality Sensitive Discriminant Analysis for Hyperspectral Image Classification,” Math. Probl. Eng., vol. 2020, pp. 1–16, Dec. 2020.

[53]        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.

[54]        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.

[55]        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.

[56]        D. A. Pisner and D. M. Schnyer, “Support vector machine,” in Machine Learning, Elsevier, 2020, pp. 101–121.

[57]        X. Yang et al., “Research and applications of artificial neural network in pavement engineering: A state-of-the-art review,” J. Traffic Transp. Eng. (English Ed., Oct. 2021.

[58]        A. M. Alqudah, S. Qazan, and I. S. Masad, “Artificial Intelligence Framework for Efficient Detection and Classification of Pneumonia Using Chest Radiography Images,” J. Med. Biol. Eng., Jun. 2021.

[59]        I. MEJÀRE, H.-G. GRÖNDAHL, K. CARLSTEDT, A.-C. GREVER, and E. OTTOSSON, “Accuracy at radiography and probing for the diagnosis of proximal caries,” Eur. J. Oral Sci., vol. 93, no. 2, pp. 178–184, Apr. 1985.

[60]        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,” Atmos. Environ., vol. 262, p. 118629, Oct. 2021.

[61]        S. Sahoo, A. Subudhi, M. Dash, and S. Sabut, “Automatic Classification of Cardiac Arrhythmias Based on Hybrid Features and Decision Tree Algorithm,” Int. J. Autom. Comput., vol. 17, no. 4, pp. 551–561, Aug. 2020.

[62]        X. XU, W. CHEN, and Y. SUN, “Over-sampling algorithm for imbalanced data classification,” JSEE, vol. 30, no. 6, pp. 1182–1191, 2019.

 

 

124

 

[1]  Decision Tree

[2]  K-Nearest Neighbors

[3]  Support Vector Machine

[4]  Artificial Neural Network

[5]  K-fold Cross-validation


Rimag

Rimag is an integrated platform to accomplish all scientific journal requirements such as submission, evaluation, reviewing, editing, DOI assignment and publishing in the web.

Links

Related Centers

Technical Support

Official pages

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]