استفاده از نتایج خام رادیوگرافي در تشخیص بیماريهاي ریوي عملکرد قابلقبولي ندارد. یادگیري ماشین ميتواند به تشخیص دقیقتر بیماريها کمک کند. مطالعات گستردهاي در حوزه تشخیص خودکار بیماريها با کمک یادگیري ماشین کلاسیک و عمیق انجام شده؛ اما این روشها دقت و کارایي قابلقبولي ندارند یا به دادههاي یادگیري زیادي نیاز دارند. براي مقابله با این چالشها، در این مقاله، روش جدیدي براي تشخیص خودکار بیماريهاي ریوي بینابیني در تصاویر رادیوگرافي ارائه ميشود. در گام اول، اطلاعات بیمار از تصاویر حذف شده؛ سپس، پیکسلهاي باقیمانده، جهت پردازشهاي دقیقتر، استانداردسازي ميشوند. در گام دوم، پایایي روش پیشنهادي با کمک تبدیل رادان بهبود یافته، دادههاي اضافي با استفاده از فیلتر Top-hat حذف شده و نرخ تشخیص با بهرهبرداري از تبدیل موجک گسسته و تبدیل کسینوسي گسسته افزایش ميیابد. سپس، تعداد ویژگيهاي نهایي با کمک آنالیز تشخیصي حساس به مکان کاهش ميیابد. در گام سوم، تصاویر پردازششده به دو دسته یادگیري و تست تقسیم ميشوند؛ با استفاده از دادههاي یادگیري، مدلهاي مختلفي ایجاد شده و با کمک دادههاي تست، بهترین مدل انتخاب ميشود. نتایج شبیهسازيها بر روي مجموعه داده NIH نشان ميدهد که روش پیشنهادي مبتني بر درخت تصمیم با بهبود میانگین هارمونیک حساسیت و صحت تا 08 / 1 برابر، دقیقترین مدل را ارائه ميدهد. پرونده مقاله