منصة الرسائل والاطاريح: تصنيف كوفيد-19 باستخدام تعلم الآلة وخوارزميات تحسين ال Metaheuristics

الخلاصة

تعد معالجة الصور الطبية مجالًا ذا أهمية بالغة في العلوم الطبية، حيث يؤثر بشكل كبير على تطبيقات التصوير الطبي. يعمل هذا المجال على تعزيز دقة وفعالية التشخيص، وتسهيل تخطيط العلاج، وتمكين مراقبة تطور المرض، وذلك من خلال الاستفادة الكاملة من قوة تحليل الصور الرقمية. يشير تفشي فيروس كورونا(COVID-19)، الناتج عن فيروس SARS-CoV-2، إلى الإصابة بالمتلازمة التنفسية الحادة الخطيرة. ظهرت العدوى في البداية في ووهان في نهاية عام 2019، وبسبب هذا التفشي، تطور مرض كوفيد-19 إلى جائحة فشكل تهديدًا كبيرًا للحياة البشرية وسبب اضطرابًا في الاقتصاد. أثبتت صور الأشعة السينية للصدر أهميتها في مراقبة تأثير كوفيد-19 على أنسجة الرئة. في هذه الدراسة، تم اقتراح نظام لتصنيف فيروس كورونا (COVID-19) باستخدام صور الأشعة السينية للصدر. من أجل تعزيز أداء النظام وتوسيع تنوع البيانات، يتم استخدام مجموعتين من البيانات: (Chest x-ray images (pneumonia))، تتألف من 800 صورة أشعة سينية للصدر وتسمى في الرسالة DS1. و( (Extensive covid-19 X-ray تتألف من 9000 صورة أشعة سينية للصدر، وقد تم تسميتها DS2. يتم تطبيق تقنيات معالجة مسبقة مثل تغيير الحجم، وتقليل الضوضاء، وتحسين التباين. لكل من الاتجاهات الأربعة (0، 45، 90، و135)، يتم استخراج ست ميزات إحصائية باستخدام (GLCM). بالإضافة إلى ذلك، يتم استخدام (LBP) لاستخراج عشر ميزات إحصائية. الجمع بين أساليب LBP و GLCM لها القدرة على تعزيز دقة تصنيف الصور الطبية. تقوم هذه الدراسة بتقديم نهج اختيار الميزات في حالتين باستخدام خوارزمية Extra Tree وخوارزميات Swarm، خوارزمية (MFO)، خوارزمية (GWO)، خوارزمية (GSO)، والخوارزمية الهجينة HMFGWS)) وبعد اختيار الميزة، يتم استخدام ثلاثة مصنفات لتقييم الأداء: (SVM)، (KNN)، و((XGBoost. تظهر النتائج أن الخوارزميات المقترحة تحقق أداءً متفوقًا في اختيار الميزات والتصنيف. عند استخدام DS1، تكون نسب الدقة 99٪ باستخدام KNN، و72٪ باستخدام SVM، و99٪ باستخدام XGBoost. عند استخدام DS2، تكون نسب الدقة 92٪ باستخدام KNN، و75٪ باستخدام SVM، و97٪ باستخدام XGBoost.