تشخیص خودکار بیماری های ریوی با استفاده از ویژگی های مبتنی بر تبدیل کسینوسی گسسته در تصاویر رادیوگرافی

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 روش ها دقت و کارایی قابلقبولی ندارند یا به داده های یادگیری زیادی نیاز دارند. برای مقابله با این چالشها، در این مقاله، روش جدیدی برای تشخیص خودکار بیماریهای ریوی بینابینی در تصاویر رادیوگرافی ارایه 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، داده های 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 داده های یادگیری، مدلهای مختلفی ایجاد شده و با کمک داده های 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 / 1 برابر، دقیقترین مدل را ارایه میدهد.