طبقه بندی تصاویر CXR متعلق به شش نوع بیماری ریوی با استفاده از روش اختلاط خبره ها مبتنی بر ماشین یادگیری سریع و الگوهای پنج تایی محلی بهبودیافته

کووید-۱۹ یک ویروس جدید است که باعث عفونت دستگاه تنفسی فوقانی و ریه می شود. تصاویر رادیولوژیکی برای نظارت بر بیماری های مختلف ریوی بوده و اخیرا برای نظارت بر بیماری کووید-۱۹ مورد استفاده قرارگرفته است که با هدف تشخیص زودهنگام و کنترل گسترش همه گیری بیماری به کار گرفته می شود. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش های یادگیری عمیق اختصاص داشته است. با توجه به مدت زمان آموزش و پیچیدگی محاسبات زیاد این روش ها، در این مقاله از اختلاط خبره ها مبتنی بر ماشین یادگیری سریع با شبکه میانجی آموزش پذیر (MEETG) استفاده شده است. در MEETG از مزایای ماشین یادگیری سریع برای طراحی ساختار اختلاط خبره ها استفاده شدهاست. فرآیند یادگیری ماشین یادگیری سریع بسیار سریع تر از ماشین بردار پشتیبان و پرسپترون چند لایه می باشد و قابلیت تعمیم بهتری را نسبت به آن ها دارد. در ادامه، از الگوهای پنج تایی محلی بهبودیافته به عنوان توصیف کننده بافت برای استخراج ویژگی و از MEETG به عنوان طبقه بندی کننده برای تشخیص شش نوع بیماری ریوی و افراد سالم استفاده شده است.برای ارزیابی مدل پیشنهادی، از پایگاه داده RYDLS-۲۰ با نمونه های نامتعادل که حاوی تصاویر اشعه ایکس قفسه سینه متعلق به هفت کلاس شامل شش بیماری مختلف ریوی ذات الریه ناشی از ویروس ها (کووید-۱۹، سارس، مرس و واریسلا)، باکتری ها و قارچ ها و همچنین ریه های سالم استفاده شده است. هدف اصلی، دستیابی به بهترین میزان تشخیص ممکن برای کووید-۱۹ در بین انواع دیگر ذات الریه و ریه های سالم است. معیارهای دقت طبقه بندی، صحت، بازخوانی و معیار-F برای ارزیابی مدل پیشنهادی استفاده شده است. نتایج تجربی نشان داد که معیار-F برای تشخیص کووید-۱۹ برابر با ۰.۸۹۷ و همچنین میانگین کل معیار-F و دقت به ترتیب برابر با ۰.۸۰و %۹۷.۰۷ می باشد. میزان بهبود میانگین کل معیار-F روش پیشنهادی در مقایسه با k- نزدیک ترین همسایه، درخت تصمیم، پرسپترون چند لایه و ماشین یادگیری سریع حدود ۲۴%، ۴۳% ، ۳۷% و ۲۰% و در مقایسه با روش های مبتنی بر یادگیری مرکب نظیر اختلاط خبره ها و کیسه ای حدود ۰.۱۹% است.

کلیدواژه ها:

یادگیری مرکب ، اختلاط خبره ها ، توصیف گر بافتی