تحليل مقارن لـ MFO وGWO وGSO لتصنيف صور الأشعة السينية للصدر Covid-19
محتوى المقالة الرئيسي
الملخص
تلعب الصور الطبية دورًا حاسمًا في تصنيف الأمراض والحالات المختلفة. إحدى طرق التصوير هي الأشعة السينية التي توفر معلومات بصرية قيمة تساعد في تحديد وتوصيف مختلف الحالات الطبية. لطالما استخدمت الصور الشعاعية للصدر (CXR) لفحص ومراقبة العديد من اضطرابات الرئة، مثل السل والالتهاب الرئوي وانخماص الرئة والفتق. يمكن الكشف عن COVID-19 باستخدام صور CXR أيضًا. تم اكتشاف COVID-19، وهو فيروس يسبب التهابات في الرئتين والممرات الهوائية في الجهاز التنفسي العلوي، لأول مرة في عام 2019 في مقاطعة ووهان بالصين، ومنذ ذلك الحين يُعتقد أنه يتسبب في تلف كبير في مجرى الهواء، مما يؤثر بشدة على رئة الأشخاص المصابين. انتشر الفيروس بسرعة في جميع أنحاء العالم، وتم تسجيل الكثير من الوفيات والحالات المتزايدة بشكل يومي. يمكن استخدام CXR لمراقبة آثار COVID-19 على أنسجة الرئة. تبحث هذه الدراسة في تحليل مقارنة لأقرب جيران k (KNN)، و Extreme Gradient Boosting (XGboost)، و Support-Vector Machine (SVM)، وهي بعض مناهج التصنيف لاختيار الميزات في هذا المجال باستخدام خوارزمية Moth-Flame Optimization (MFO)، وخوارزمية Gray Wolf Optimizer (GWO)، وخوارزمية Glowworm Swarm Optimization (GSO). في هذه الدراسة، استخدم الباحثون مجموعة بيانات تتكون من مجموعتين على النحو التالي: 9544 صورة بالأشعة السينية ثنائية الأبعاد، والتي تم تصنيفها إلى مجموعتين باستخدام اختبارات التحقق من صحتها: 5500 صورة لرئتين سليمتين و4044 صورة للرئتين مع COVID-19. تتضمن المجموعة الثانية 800 صورة و400 صورة لرئتين سليمتين و400 رئة مصابة بـ COVID-19. تم تغيير حجم كل صورة إلى 200 × 200 بكسل. كانت الدقة والاستدعاء ودرجة F1 من بين معايير التقييم الكمي المستخدمة في هذه الدراسة.
Received 11/06/2023
Revised 21/08/2023
Accepted 23/08/2023
Published 30/08/2023
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Ali RH, Abdulsalam WH. The Prediction of COVID 19 Disease Using Feature Selection Techniques. J Phys Conf Ser. 2021; 1879(2): 1-13. https://doi.org/10.1088/1742-6596/1879/2/022083
Huang C, Wang Y, Li X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020; 395(10223): 497-506. https://doi.org/10.1016/S0140-6736(20)30183-5
Songram P, Chomphuwiset P, Kawattikul K, Jareanpon C. Classification of chest X-ray images using a hybrid deep learning method. Indones J Electr Eng Comput Sci. 2022; 25(2): 867-874. https://doi.org/10.11591/ijeecs.v25.i2.pp867-874
Narin A, Kaya C, Pamuk Z. Automatic detection of coronavirus disease (COVID-19) using X-ray images and deep convolutional neural networks. Pattern Anal Appl. 2021; 24(3): 1207-1220. https://doi.org/10.1007/s10044-021-00984-y
Antin B, Kravitz J, Martayan E. Detecting Pneumonia in Chest X-Rays with Supervised Learning. Semant org. 2017; (46632050): 1-5. http://cs229.stanford.edu/proj2017/final-reports/5231221.pdf
Liang G, Zheng L. A transfer learning method with deep residual network for pediatric pneumonia diagnosis. Elsevier. 2020; 187: 1-9. https://doi.org/10.1016/j.cmpb.2019.06.023
Sethy PK, Behera SK, Ratha PK, Biswas P. Detection of coronavirus disease (COVID-19) based on deep features and support vector machine. Int J Math Eng Manag Sci. 2020; 5(4): 643-651. https://doi.org/10.20944/preprints202003.0300.v1
Mohammed SN, Alkinani FS, Hassan YA. Automatic computer aided diagnostic for COVID-19 based on chest X-Ray image and particle swarm intelligence. Int J Intell Eng Syst. 2020; 13(5): 63-73. https://doi.org/10.22266/ijies2020.1031.07
Too J, Mirjalili S. A Hyper Learning Binary Dragonfly Algorithm for Feature Selection: A COVID-19 Case Study. Knowl Based Syst. 2021; 212: 1-29. https://doi.org/10.1016/j.knosys.2020.106553
Bezdan T, Cvetnic D, Gajic L, Zivkovic M, Strumberger I, Bacanin N. Feature Selection by Firefly Algorithm with Improved Initialization Strategy. ACM Int Conf Proceeding Ser. 2021; 8: 1-8. https://doi.org/10.1145/3459960.3459974
Zou L, Zhou S, Li X. An Efficient Improved Greedy Harris Hawks Optimizer and Its Application to Feature Selection. Entropy. 2022; 24(8): 1-22. https://doi.org/10.3390/e24081065
Issa AS, Ali YH. Comparative Analysis of Swarm Algorithms to Classification of covid19 on X-Rays. 2022 Int Conf Data Sci Intell Comput. 2022; 22883321(Icdsic): 164-169. https://doi.org/10.1109/ICDSIC56987.2022.10075733
Sahoo SK, Saha AK, Ezugwu AE, Agushaka J O, Abuhaija B, Alsoud A R, et al. Moth Flame Optimization: Theory, Modifications, Hybridizations, and Applications. Arch Comput Methods Eng. 2023; 30(1): 391-426. https://doi.org/10.1007/s11831-022-09801-z
Mirjalili S, Mirjalili SM, Lewis A. Grey Wolf Optimizer. Adv Eng Softw. 2014; 69: 46-61. https://doi.org/10.1016/j.advengsoft.2013.12.007
Zainal N, Zain A, Radzi N, Udin A. Glowworm Swarm Optimization (GSO) Algorithm for Optimization Problems: A State-of-the-Art Review. Appl Mech Mater. 2013; 421: 507-511. https://doi.org/10.4028/www.scientific.net/AMM.421.507
Mazher AN, Waleed J. Retina based glowworm swarm optimization for random cryptographic key generation. Baghdad Sci J. 2022; 19(1): 179-188. https://doi.org/10.21123/BSJ.2022.19.1.0179
Yarinezhad R, Sarabi A. New Routing Algorithm for Vehicular Ad-hoc Networks based on Glowworm Swarm Optimization Algorithm. J artif intel data min. 2019; 7(1): 69-76. https://doi.org/10.22044/JADM.2018.6516.1765
Stimper V, Bauer S, Ernstorfer R, Schölkopf B, Xian RP. Multidimensional Contrast Limited Adaptive Histogram Equalization. IEEE Access. 2019; 7: 165437-165447. https://doi.org/10.1109/ACCESS.2019.2952899
Al Okashi OM, Ahmed IT, Abed LH. COVID-19 detection based on combined domain features. Indones J Electr Eng Comput Sci. 2022; 26(2): 965-973. https://doi.org/10.11591/ijeecs.v26.i2.pp965-973
Vigneshl T, Thyagharajan KK. Local binary pattern texture feature for satellite imagery classification. Int Conf Sci Eng Manag. 2014; 32331: 1-6. https://doi.org/10.1109/ICSEMR.2014.7043591
Battur R, Narayana J. Classification of medical X-ray images using supervised and unsupervised learning approaches. Indones J Electr Eng Comput Sci. 2023; 30(3): 1713-1721. https://doi.org/10.11591/ijeecs.v30.i3.pp1713-1721
Eds DA jumeily. Emerging Technology Trends in Internet of Things and Computing. springer; 2021. https://doi.org/10.1007/978-3-030-97255-4
Samsir S, Sitorus JHP, Ritonga Z, Aini F. Comparison of machine learning algorithms for chest X-ray image COVID-19 classification. 2021; 012040: 1-7. https://doi.org/10.1088/1742-6596/1933/1/012040
Mohamed Ali SS, Alsaeedi AH, Al-Shammary D, Alsaeedi HH, Abid HW. Efficient intelligent system for diagnosis pneumonia (SARSCOVID19) in X-ray images empowered with initial clustering. Indones J Electr Eng Comput Sci. 2021; 22(1): 241-251. https://doi.org/10.11591/ijeecs.v22.i1.pp241-251
Ali ZA, Abduljabbar ZH, Taher HA, Sallow AB, Almufti SM. Exploring the Power of eXtreme Gradient Boosting Algorithm in Machine Learning : a Review. Acad J Nawroz Univ. 2023; 12(2): 320-15. https://doi.org/10.25007/ajnu.v12n2a1612
Sahlol AT, Yousri D, Ewees AA, Al MAA. OPEN COVID ‑ 19 image classification using deep features and fractional ‑ order marine predators algorithm. Sci Rep. 2020; 10: 15364: 1-15. https://doi.org/10.1038/s41598-020-71294-2
Abdullah TH, Alizadeh F, Abdullah BH. COVID-19 Diagnosis System using SimpNet Deep Model. Baghdad Sci J. 2022; 19(5): 1078-1089. https://doi.org/10.21123/bsj.2022.6074
Kaggle. Chest X-Ray Images (Pneumonia) | Kaggle. Kaggle’s chest X-ray images (Pneumonia) dataset. Published 2020. https://www.kaggle.com/datasets/paultimothymooney/chest-xray-pneumonia
El-Shafai W, E. Abd El-Samie F. Extensive COVID-19 X-Ray and CT Chest Images Dataset. Mendeley Data. Published online 2020. https://data.mendeley.com/datasets/8h65ywd2jr/3