تجزئة الصورة المقطعية للرئة باستخدام شبكة VGG-16 مع تحسين الصورة باستخدام Mittag-Leffler
DOI:
https://doi.org/10.21123/bsj.2024.9286الكلمات المفتاحية:
Bounded turning, CT scans, Image Enhancement, Mittag-Leffler function, VGG-16 network.الملخص
يعتبر الاستقطاع التلقائي للأمراض خطوة أولية ضرورية في التشخيص الروتيني. تعتبر أمراض الرئة التي تؤثر على الرئتين، مثل الالتهاب الرئوي أو التليف الرئوي والذي يؤدي الى كثافة في أنسجة الرئة والتي تجعل عملية استقطاع هذه المناطق عملية صعبه جدا بسبب الخصائص المتشابه للانسجة المجاورة. لذا تقترح هذه الدراسة نموذج جديد لاستقطاع الصور المقطعية للرئة والتي تتضمن خطوتين: (1) استخدام نموذج bounded turning Mittag-Leffler لتحسين الصور المقطعية للحصول على نتائج استقطاع أفضل. (2) استخدام شبكة VGG-16 المعدلة لاستقطاع المناطق المصابة بالعدوى في الصور المقطعية للرئة. حيث تم اضافة مجموعة من الطبقات التلافيفية المتوسعة إلى شبكة VGG-16 الأصلية لإنشاء طريقة جديدة لتجزئة صورة الرئة المقطعية. وقد حققت الطريقة المقترحة في هذه الدراسة دقه عالية في عملية الاستقطاع حيث كان معدل الدقه وDice Coefficient وJaccard Index هو 96.3%، 91.2%، و82.3% على التوالي. وقد تم مقارنة النتائج المنجزة مع الدراسات السابقة وقد أظهر هذا مدى جودة أداء هذه الدراسة مقارنة بالعديد من الدراسات السابقة على الرغم من ان الحصول على مستوى مناسب من الدقة أمرًا صعبًا للغاية.
Received 04/10/2023
Revised 05/02/2024
Accepted 07/02/2024
Published Online First 20/05/2024
المراجع
Salama GM., Mohamed A., Abd-Ellah MK. COVID-19 classification based on a deep learning and machine learning fusion technique using chest CT images. Neural Comput & Applic. 2024; 36, 5347–5365. https://doi.org/10.1007/s00521-023-09346-7.
Aggarwal P., Mishra NK., Fatimah B., Singh P., Gupta A., Joshi SD. COVID-19 image classification using deep learning: Advances, challenges and opportunities. Comput Biol Med. 2022; 144, 105350. https://doi.org/10.1016/j.compbiomed.2022.105350.
Hasan AM, Qasim AF, Jalab HA, Ibrahim RW. Breast Cancer MRI Classification Based on Fractional Entropy Image Enhancement and Deep Feature Extraction. Baghdad Sci J. 2022; 0221-0221. https://doi.org/10.21123/bsj.2022.6782.
Fadhil OY, Mahdi BS, Abbas AR. Using VGG Models with Intermediate Layer Feature Maps for Static Hand Gesture Recognition. Baghdad Sci J. 2023. https://doi.org/10.21123/bsj.2023.7364
Ibrahim RW, Jalab HA, Karim FK, Alabdulkreem E, Ayub MN. A medical image enhancement based on generalized class of fractional partial differential equations. Quant Imaging Med Surg. 2022; 12 (1): 172 . https://dx.doi.org/10.21037/qims-21-15
Cao J. An Image Enhancement Method Based on Fractional Calculus and Retinex. JCC. 2018; 6 (11), pp.55-65. http://doi.org/10.4236/jcc.2018.611005.
Yu J., Tan L., Zhou S., Wang L., Siddique MA. Image denoising algorithm based on entropy and adaptive fractional order calculus operator. IEEE access. 2017; 5: 12275-12285.
https://doi.org/10.1109/ACCESS.2017.2718558.
Kumar PA., Gunasundari R., Aarthi R. RE-SHFC: Renyi Entropy-Based Spotted Hyena Fractional Calculus Algorithm for MR Image Reconstruction. Sensing and Imaging. 2022; 23(1): pp. 8. https://doi.org/10.1007/s11220-022-00377-3
Gupta M., Mishra A. A systematic review of deep learning based image segmentation to detect polyp. Artif Intell Rev. 2024; 57 (7). https://doi.org/10.1007/s10462-023-10621-1
Alnedawe SM, Aljobouri HK. A New Model Design for Combating COVID-19 Pandemic Based on SVM and CNN Approaches. Baghdad Sci J. 2023; 20 (4): 1402-1413. https://doi.org/10.21123/bsj.2023.7403
Gite S., Mishra A., Kotecha K. Enhanced lung image segmentation using deep learning. Neural Comput & Applic. 2023; 35, 22839–22853. https://doi.org/10.1007/s00521-021-06719-8
Fan D-P, Zhou T, Ji G-P, Zhou Y, Chen G, Fu H, et al. Inf-net: Automatic covid-19 lung infection segmentation from ct images. IEEE Trans Med Imaging. 2020; 39 (8): 2626-2637. https://doi.org/10.1109/TMI.2020.2996645
Shan F, Gao Y, Wang J, Shi W, Shi N, Han M, et al. Lung infection quantification of COVID-19 in CT images with deep learning. arXiv preprint arXiv:2003.2020; 04655 . https://doi.org/10.48550/arXiv.2003.04655
Saood A, Hatem I. COVID-19 lung CT image segmentation using deep learning methods: U-Net versus SegNet. BMC Med Imaging 2021; 21 (1): 1-10. https://doi.org/10.1186/s12880-020-00529-5
Budak Ü, Çıbuk M, Cömert Z, Şengür A. Efficient COVID-19 segmentation from CT slices exploiting semantic segmentation with integrated attention mechanism. J Digit Imaging .2021; 34: 263-272. https://doi.org/10.1007/s10278-021-00434-5
Raj ANJ, Zhu H, Khan A, Zhuang Z, Yang Z, Mahesh VG, et al. ADID-UNET—a segmentation model for COVID-19 infection from lung CT scans. PeerJ Comput Sci.2021; 7: e349. https://doi.org/10.7717/peerj-cs.349
Le V-L, Saut O, editors. RRc-UNet 3D for Lung Tumor Segmentation from CT Scans of Non-Small Cell Lung Cancer Patients. ICCV CVAMD 2023 - Workshop of International Conference on Computer Vision, Oct 2023, Paris, France.2023; pp.2316-2325. https://doi.org/10.1109/ICCVW60793.2023.00245
Liu C, Pang M. Lung CT Image Segmentation via Dilated U-Net Model and Multi-scale Gray Correlation-Based Approach. Circuits Syst Signal Process.2023; 1-18. https://doi.org/10.1007/s00034-023-02532-x
Petráš I. Novel Low-Pass Two-Dimensional Mittag–Leffler Filter and Its Application in Image Processing. Fractal and Fractional. 2023; 7(12): pp. 881. https://doi.org/10.3390/fractalfract7120881
COVID-19, Medical Segmentation. 2021. https://www.kaggle.com/competitions/covid-segmentation/data.
Sharif PM, Nematizadeh M, Saghazadeh M, Saghazadeh A, Rezaei N. Computed tomography scan in COVID-19: a systematic review and meta-analysis. Pol. J. Radiol.Feb 2022;87:e1–23. https://doi.org/10.5114%2Fpjr.2022.112613
Singh V, Abdel-Nasser M, Pandey N, Puig D. Lunginfseg: Segmenting covid-19 infected regions in lung ct images based on a receptive-field-aware deep learning framework. Diagnostics. 2021; 11 (2): 158 . https://doi.org/10.3390/diagnostics11020158
التنزيلات
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 Ali M. Hasan, Mohammed Khalaf , Bayan M. Sabbar, Rabha W. Ibrahim , Hamid A. Jalab, Farid Meziane
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
