تجزیه و تحلیل مقایسه مبتنی بر ابعاد فراکتال تعمیم یافته روشهای تشخیص لبه در تصاویر CT برای برآورد عفونت بیماری COVID-19

Coronavirus ، که همچنین به عنوان Covid-19 نیز شناخته می شود ، بسیار مسری شده و با یکی از کشنده ترین بیماری های جهان در ارتباط بوده است. همچنین تأثیرات مستقیمی بر ریه های انسان دارد و باعث آسیب قابل توجهی می شود. سی تی اسکن ها معمولاً در چنین شرایطی به کار می روند تا سریعاً بیماران COVID-19 را ارزیابی ، تشخیص و درمان کنند. بدون هیچ گونه فیلتر ، شناسایی قسمت های آسیب دیده ریه ها و تعیین شدت بیماری های مختلف ، تصاویر اسکن CT دشوارتر است. در این مقاله ، ما از تئوری چند عاملی برای ارزیابی تصاویر سی تی اسکن بیمار COVID-19 برای تجزیه و تحلیل پیچیدگی تصاویر CT-Scan اصلی ، فیلتر شده و لبه های مختلف بیمار استفاده می کنیم. برای توصیف دقیق شدت بیماری ، تصاویر اصلی ، پر سر و صدا و دنباله ای مقایسه می شوند. علاوه بر این ، تشخیص لبه و روشهای فیلتر شده به نام Robert ، Prewitt و Sobel برای تجزیه و تحلیل تصاویر مختلف COVID-19 CT-Scan بیمار اعمال می شود و با اندازه گیری چند منظوره در تکنیک پیشنهادی مورد بررسی قرار می گیرد. تمام تصاویر با استفاده از الگوریتم های تشخیص رابرت ، پیش از پیشرو و لبه های سوبل تبدیل ، فیلتر شده و لبه تشخیص داده می شوند و با ابعاد فراکتال تعمیم یافته مقایسه می شوند. برای تصاویر سی تی اسکن از بیماران COVID-19 ، اقدامات کیفی مختلفی نیز دقیقاً برای تصاویر فیلتر شده و لبه های شناسایی شده توسط طرح های رابرت ، پریت و Sobel محاسبه می شود. مشاهده شده است که روش SOBEL برای طبقه بندی سی تی اسکان بیماران مبتلا به COIVD-19 که در این مطالعه تحقیق استفاده می شود ، در مقایسه با سایر الگوریتم ها انجام می شود. از آنجا که پیچیدگی تصویر روش Sobel برای همه تصاویر بسیار زیاد است و سپس پیچیدگی بیشتر تصاویر حاوی وضوح بیشتری برای تأیید تصاویر COVID-19 است. سرانجام ، روش پیشنهادی توسط تست ANOVA و توطئه های جعبه پشتیبانی می شود ، و همان نوع طبقه بندی در تصاویر آزمایشی از نظر آماری مورد بررسی قرار می گیرد.

روی نسخه خطی کار می کنید؟

از رایج ترین اشتباهات خودداری کنید و نسخه خطی خود را برای ویراستاران ژورنال آماده کنید.

معرفی

فراکتال یک الگوی هندسی با طراحی نامنظم است. در هر سطح با بی نظمی یکنواخت یافت می شود. علاوه بر این ، این یک ساختار هندسی قطعه قطعه قطعه محسوب می شود. علاوه بر این ، اینها به عنوان یک نسخه کاهش یافته کامل دیده می شوند. فراکتال بیشتر تعداد نامحدودی از اشکال و پیچیدگی های بی شماری است. اینها را می توان در اندازه های مختلف و با همان شکل یافت.

علاوه بر این ، فراکتال در سال 1975 توسط Mandelbrot از نظر ریاضی تعریف شد ، یعنی ابعاد Hausdorff از بعد توپولوژیکی (به شدت) فراتر می رود [1]. او همچنین اولین کسی بود که هندسه فراکتال را معرفی کرد. کلمه Fractal از کلمه لاتین Fractus گرفته شده است که به معنی شکسته است. هندسه فراکتال برای برآورد بسیاری از اشیاء طبیعی و خصوصیات پیچیده آنها تا حدودی بیشتر از سایر روشهای هندسی استفاده می شود [2 ، 3]. یعنی هندسه فراکتال یک روش مفید برای برآورد اشیاء طبیعی مانند کوه ها ، ابرها ، سبزیجات ، سواحل و درختان است. همچنین برای مدل سازی ساختار طبیعی ، انتزاع تصویر ، تجزیه و تحلیل تصاویر تشخیصی بالینی و مطالعه پدیده های گیج کننده استفاده می شود [4]. بعد فراکتال همچنین به توصیف پردازش و ساختار تصویر سنتی تصاویر کمک می کند. علاوه بر این ، عملکرد بعد فراکتال در تجزیه و تحلیل تصویر بسیار عالی است [5].

بعد فراکتال بی نظمی جسم داده شده را با خواص مقیاس پذیری همگن تجزیه و تحلیل می کند. مفهوم بعد فراکتال می تواند در اندازه گیری و طبقه بندی شکل و بافت قابل اجرا باشد. کارهای تحقیقاتی متعددی در تجزیه و تحلیل تصویر پزشکی با استفاده از تجزیه و تحلیل فراکتال توصیف شده است [7]. بعد فراکتال برای مشخص کردن شیء به عنوان دارای خواص مقیاس پذیری پیچیده و ناهمگن کافی نیست. علاوه بر این، عملکرد بعد فراکتال در ویژگی مقیاس بندی پیچیده و نامتقارن [8]- [10] نمی گنجد. بنابراین، برای جلوگیری از آن از روش چندفراکتال GFD استفاده می کنیم. GFD به دنبال اندازه گیری پیچیدگی و عدم تقارن یک تصویر است به این دلیل که GFD یک تشخیص لبه تصویر را انتخاب می کند. ما می توانیم روش GFD را برای مقایسه پیچیدگی روش تشخیص لبه سوبل، پریویت و رابرت در تصاویر مختلف بیماران COVID-19 اعمال کنیم. معیار کیفی در هنگام پردازش تصویر مفید است، اعوجاج ناشی از نویز، تاری، صداها و مصنوعات انتزاعی کیفیت تصویر را مختل می کند [11]-[18]. هنگام انجام سایر کیفیت ها با تصاویر تحریف شده، ارزش تصویر فشرده نشده مفید است. با استفاده از داده های کیفیت مرجع کامل، می توانیم مستقیماً تصاویر هدف و مرجع را در این نقطه مقایسه کنیم [21]-[23].

COVID-19، یک عفونت کروناویروس، برای اولین بار در سال 2019 در ایالت ووهان چین به عنوان بزرگترین اپیدمی که جهان تا کنون دیده است، شناسایی شد. تأثیر آن امروزه در سراسر جهان در حال گسترش است و بشریت را با چالش بزرگی روبرو می کند. این اپیدمی تقریباً در تمام نقاط جهان گسترش یافته و جان بسیاری را گرفته و وضعیت و اقتصاد آنها را زیر سوال برده است. علاوه بر این، بسیاری جان خود را از دست داده اند و روابط نزدیک خود را از دست داده اند. شروع علائم معمولاً خفیف است، با تب، سرفه خشک و خستگی شدید و به دنبال آن درمان طبی معمولی که شدت عفونت را افزایش می دهد و سپس سطح اکسیژن را در بدن کاهش می دهد [24]. این یک بیماری کشنده محسوب می شود. امروز، سازمان بهداشت جهانی (WHO) می گوید که تعداد قربانیان COVID-19 در سراسر جهان تا 12 مارس 2022 به 452201564 نفر و تعداد فوتی ها 6029852 نفر است. تنها در 24 ساعت گذشته، تعداد قربانیان جدید در 13 مارس 2022149088 نفر بود. علاوه بر این، کشورهایی که بیشترین آسیب را در سرتاسر جهان دارند، 78739443 نفر در ایالات متحده آمریکا، 42984261 نفر در هند، 29249903 نفر در برزیل، 22614907 نفر در فرانسه، 19457980 نفر در بریتانیا و 19457980 نفر در پادشاهی متحده هستند. روز به روز بر تعداد آن افزوده می شود.

بسیاری از محققان و پزشکان وقت و هزینه زیادی را صرف تلاش می کنند تا راهی برای کنترل گسترش Covid-19 پیدا کنند و از گسترش کامل آن جلوگیری کنند. اما حتی اگر امروزه برخی از واکسن ها تا حدودی کاهش یافته اند ، ویروس همچنان عملکرد واکسن را به دلیل جهش های مختلف ژنتیکی تضعیف می کند [25] - [27]. به طوری که تعداد گسترش ها کاهش می یابد و ناگهان افزایش می یابد. بنابراین ، ضروری است که از قبل شدت عفونت را بدانید. این امر به این دلیل است که COVID-19 فقط در صورت تشخیص و درمان قبل از پیشرفت بیماری ، می تواند از آسیب های خطرناک جلوگیری کند. اگرچه دستگاه RT-PCR ممکن است به عنوان یک پیش بینی کننده عمل کند ، عملکرد آن برای نظارت بر عملکرد ریه انسان مناسب نیست. به همین دلیل از فناوری توموگرافی رایانه (CT) -Scan به عنوان ابزاری برای توضیح عملکرد ریه ها استفاده می شود [28]-[30]. این می تواند شدت عفونت در ریه های انسان را توضیح دهد. با این حال ، تصاویر CT-Scan و اشعه ایکس معمولاً در فناوری پزشکی استفاده می شوند. برای توصیف چنین تصاویری امیدواریم که ماهیت این نوع عارضه را ساده کنیم و سپس با روش چند منظوره ای که امروزه در پزشکی مورد استفاده قرار می گیرد ، شدت عفونت را به وضوح توضیح دهیم. پیچیدگی تصاویر را می توان به راحتی با استفاده از GFD توضیح داد ، به خصوص در مدل چند عاملی. بنابراین ، تشخیص چند عاملی از شدت بیماری با استفاده از تصاویر اسکن COVID-19 ، اشعه ایکس و CT اکنون توسط بسیاری از محققان مورد استفاده قرار می گیرد [31]-[34].

برای توصیف یک شی با خصوصیات مقیاس بندی پیچیده و ناهمگن ، بعد یکپارچه در مکان های خاصی کافی نیست. اقدامات ابعادی مونوفراکتال و همبستگی در دسترس ترین ابزارهای غیرخطی برای پردازش تصاویر آزمایشی در دنیای واقعی هستند. یک متریک تک بعدی نمی تواند عدم یکنواختی تصویر یا ناهمگن بودن تصویر را توصیف کند. این مقیاس بعدی برای طبقه بندی تصادفی یا ناسازگاری تصویر تجربی کافی نیست. ابعاد فراکتال تعمیم یافته (GFD) یا ابعاد فراکتال RENYI یک مجموعه چند عاملی را به عنوان یک مجموعه ناهمگن تعریف می کند. از GFD برای ارزیابی ، توصیف و کمیت ساختار نامنظم سیگنال ها و تصاویر واقع گرایانه استفاده می شود. به طور کلی ، پزشکان قادر به ارزیابی ، بررسی و تقسیم ظاهر داخلی و قسمت های آلوده ریه ها نیستند. از آنجا که ریه شامل چندین سیستم لوب با ساختارهای پیچیده است و توصیف ظاهر داخلی ، الگوهای و بخش های آسیب دیده ریه بیمار کاملاً چالش برانگیز است. تصاویر سی تی اسکن به طور گسترده در زمینه پزشکی مورد استفاده قرار می گیرند و تصاویر بسیار پیشرفته خاکستری است که برای بررسی ریه ها استفاده می شود. از آنجایی که ریه انسان یک سیستم چند منظوره است ، تجزیه و تحلیل تصاویر ریه سی تی اسکن منجر به مواجهه با مشکلات خاصی ، به ویژه برای پزشکان می شود. برای تجزیه و تحلیل و بررسی تصاویر پیچیده ریه CT-Scan ، روشهای غیرخطی مانند اندازه گیری GFD می تواند برای تعیین ماهیت و شدت بیماری از طریق ابزارهای کارآمد پردازش تصویر استفاده شود. اندازه گیری چند منظوره قادر به ارزیابی ، توصیف و تعیین کمیت تصاویر پزشکی نامنظم و تشخیص سطح نویز در تصاویر پیچیده است. از این رو ، مفهوم چند عاملی در تصاویر سی تی اسکن از ریه های انسانی ما اعمال می شود.

به عنوان ویژگی های اصلی این مقاله ، تغییر GFD با استفاده از روش های مختلف تشخیص لبه به طور سیستماتیک توضیح داده می شود. علاوه بر این ، بنابراین ، اقدامات کیفی مختلفی از تصاویر شناسایی شده Sobel ، Robert و Prewitt Edge محاسبه و نشان داده شده است. بقیه این مقاله با ساختار زیر سازماندهی شده است. در فرقه2 ، روشهای مورد استفاده در این مقاله مانند روش GFD ، و روشهای تشخیص لبه قبل از پت ، رابرت و سوبل توضیح داده شده است و همچنین اقدامات کیفی تصویر ، تست ANOVA و ساختار الگوریتمی طرح پیشنهادی ارائه شده است. جمع آوری داده ها در فرقه شرح داده شده است. 3. نتایج و مباحث این چارچوب تحقیق به خوبی در فرقه مورد بررسی قرار می گیرد. 4- نتیجه گیری این مطالعه در بخش ذکر شده است. 5

مواد و روش ها

به عنوان یک اقدام غیرخطی برای تجزیه و تحلیل تصاویر پزشکی پیچیده ، اندازه گیری چند عاملی مبتنی بر آنتروپی آنتروپی ، به نام ابعاد فراکتال عمومی ، در این بخش به عنوان یک ویژگی مهم این طرح پیشنهادی تعریف شده است. آنتروپی رنی ابزاری بسیار مهم برای تعمیم بعد فراکتال است ، زیرا این یک آنتروپی معمولی غیرخطی است. اندازه گیری چند منظوره ، GFD کارآمدترین روش در تجزیه و تحلیل غیرخطی برای تمایز یا تخمین پیچیدگی تصاویر زیست پزشکی در دنیای واقعی است. علاوه بر این ، از فیلتر میانه برای از بین بردن نویز نمک و فلفل معرفی شده در تصاویر آزمایشی استفاده می شود تا میزان طبقه بندی دقیقاً بدست آید. علاوه بر این ، سه روش تشخیص لبه در کار تحقیقاتی برای تشخیص منطقه آلوده در تصاویر ریه سی تی اسکن از بیماران COVID-19 استفاده می شود. اندازه گیری GFD قبل و بعد از لبه های فیلتر و تشخیص در تصاویر با مقیاس خاکستری آزمایشی با حالت های اصلی ، پر سر و صدا و دننویز محاسبه می شود. برای بررسی عملکرد فرآیند Denoising و Edge ، اقدامات کیفی در این مقاله به همراه اندازه گیری GFD مورد نیاز است. سرانجام ، نسبت طبقه بندی به دست آمده با ابزارهای آماری با استفاده از تست ANOVA و توطئه های جعبه در ارتباط خواهد بود. از این رو ، آنتروپی رنی ، ابعاد چند عاملی ، فیلتر میانه ، روشهای تشخیص لبه ، اقدامات کیفی و کمکهای آماری در این بخش از نظر ریاضی مورد بحث قرار گرفته است.

آنتروپی رنی

آنتروپی رنی برای اولین بار توسط ریاضیدان مجارستانی آلفرد رنی توصیف شد. علاوه بر این ، آنتروپی تعمیم یافته توزیع احتمال خاص آنتروپی رنی نامیده می شود. آنتروپی رنی نقش بسیار مهمی در تئوری اطلاعات بیشتر ایفا می کند. علاوه بر این ، بعد فراکتال تعمیم یافته را می توان با آنتروپی رنی توضیح داد [6] - [8].

آیا آنتروپی رنی به عنوان داده شده است

که در آن (q ( ne 1) in<mathbb >) توزیع و ترتیب احتمال است. علاوه بر این ، داده های داده شده (p_i در [0،1] ) احتمال (x_i ) ، (i in . ) است

ابعاد فراکتال تعمیم یافته برای تصاویر با مقیاس خاکستری

آنتروپی های رنی اقدامات مهمی از عدم اطمینان یا تصادفی در تجزیه و تحلیل و آمار غیرخطی هستند. آنها همچنین منجر به طیف وسیعی از شاخص های ابعاد فراکتالی (ابعاد فراکتال رنی یا ابعاد فراکتال عمومی) می شوند. ابعاد فراکتال عمومی پایه و اساس نظریه چند عاملی است. در این بخش ، ما به شما نشان خواهیم داد که چگونه می توانید از ابعاد فراکتال عمومی برای تعیین سطح سر و صدای تصاویر با مقیاس خاکستری استفاده کنید [8] - [10].

اکنون GFD را می توان به عنوان اجازه داد که تعداد جعبه های مورد نیاز برای پوشاندن تصویر مقیاس خاکستری که با اندازه جعبه r ارزیابی می شود ، تعریف شود. احتمال (p_i ) برای تصویر مقیاس خاکستری آزمایش شده برای کادر (i mathrm ) از اندازه r تعریف شده است

جایی که (m_i ) جرم تصویر مقیاس خاکستری آزمایش شده است که در جعبه مربوطه (i mathrm ) از اندازه r و m موجود است ، کل جرم تصویر خاکستری تست شده است.

ابعاد Fractal Renyi یا GFD از ترتیب (q in (- infty ، infty) ) به گونه ای که (q ne 1 ). برای توزیع احتمال شناخته شده از تصویر خاکستری داده شده می تواند به عنوان ساخته شود

در اینجا (d_q ) آنتروپی عمومی رنی نامیده می شود. اگر (q = 0 ) ، سپس (d_0 = - frac<mathrm_2 N><mathrm_2 varepsilon>) is called the Fractal Dimension of the image. If q approaches to 1, (D_q) converges to (D_1= lim _ frac_ p_i mathrm_2 p_i><mathrm_2 varepsilon>)به این بعد اطلاعات تصویر گفته می شود. اگر (q = 2 ) ، سپس (d_q ) به عنوان بعد همبستگی تصویر شناخته می شود. در این خاص دو مورد محدود از تصویر وجود دارد که (q =- infty ) و (q = infty ) ، که به عنوان تعریف شده است (d_)<infty>=lim _ frac ight)><mathrm_2 varepsilon>) و (d_<infty>= lim _ frac<mathrm_2 left( p_mathrm ight)><mathrm_2 varepsilon>)در اینجا (p_ mathrm = min \) و (p_ mathrm = max \).

فیلتر متوسط

سر و صدای ناشی از سر و صدای الکترونیکی در تصاویر معمولاً سر و صدای ناشی از اسکنر و دوربین دیجیتال است. علاوه بر این ، سر و صدای تصاویر بسته به تغییر تصادفی سطح رنگ و روشنایی در تصویر شرح داده شده است. به همین ترتیب ، سر و صدا به جعلی ناخواسته و اطلاعات بیرونی در تصویر اشاره دارد. ما همچنین از تکنیک فیلتراسیون متوسط برای از بین بردن سر و صدای ناخواسته استفاده می کنیم. این تکنیک تصفیه یکی از بهترین روشها است. این روش یک روش پردازش تصویر غیر خطی است که باعث کاهش نویز نمک و فلفل می شود. عملکرد آن به طور گسترده ای در پردازش تصویر دیجیتال مورد استفاده قرار می گیرد [19] - [21]. از سر و صدای نمک و فلفل برای تولید تصاویر اصلی خاکستری CT-Scan به عنوان تصاویر پر سر و صدا استفاده شد و از فیلتر میانه برای دفع کردن تصاویر خاکستری CT اسکن اصلی فاسد استفاده شد. برای تجزیه و تحلیل و تشخیص تصاویر معمولی در مقیاس خاکستری CT-Scan از بیماران COVID-19 در سنین مختلف ، ما به سطح سر و صدا در تصاویر نگاه کردیم.

روشهای تشخیص لبه

دو نوع اپراتور تشخیص لبه وجود دارد که یکی از آنها شیب و دیگری اپراتور گاوسی است. در این مقاله ، ما عمدتاً روی اپراتورهای مبتنی بر گرادیان به نام اپراتورهای Prewitt ، Robert و Sobel تمرکز می کنیم.

روش

این یک اپراتور تنوع منحصر به فرد است که تقریب شیب عملکرد شدت تصویر را تخمین می زند. علاوه بر این ، این اپراتور مبتنی بر کنترل تصویر با یک فیلتر جدا شده و عدد صحیح کوچک در جهت های افقی و عمودی است. علاوه بر این ، این اپراتور برای محاسبه تقریب مشتقات متصل به تصویر اصلی از دو هسته (3 برابر 3 ) استفاده می کند [22]. آنها به صورت افقی و دیگری به صورت عمودی هستند. آنها را می توان به شرح زیر محاسبه کرد (g_x ) = ( شروع +1 و<>0 و<>-1 \ +1 &<>0 و<>-1 \ +1 &<>0 و<>-1 پایان ) و (g_y ) = ( شروع +1 &<>+1 و<>+1 \ 0 &<>0 و<>0 \ -1 &<>-1 و<>-1 پایان ). و شیب (g (x ، y) = sqrt ) است.

روش

رابرت یک اپراتور مبتنی بر گرادیان است. ما همچنین از هسته های زیر (2 بار 2 ) برای تصویر اصلی استفاده می کنیم تا این تشخیص لبه عملگر را انجام دهیم:

علاوه بر این ، I (x ، y) را در تصویر اصلی بگیرید و آن را به هسته اول به عنوان (g_x ) حل کنید و به هسته دوم به عنوان (g_y ) حل کنید. سپس شیب را می توان به شرح زیر تعریف کرد (g (x ، y) = sqrt ). با استفاده از اختلافات فردی ، اپراتور رابرت کل مربع های تفاوت بین پیکسل های مورب مجاور را تعیین می کند [22].

روش غرق

اپراتور Sobel بر اساس تبدیل تصاویر در جهت های افقی و عمودی با یک فیلتر مقدار کوچک ، قابل تقسیم و عدد صحیح است ، محاسبه از نظر منطقی ساده است [22]. محاسبه به شرح زیر است:

سپس شیب را می توان به عنوان (g (x ، y) = sqrt ) تعریف کرد.

اقدامات کیفی

برای تجزیه و تحلیل عملکرد فرآیند تشخیص لبه و فرآیند در پردازش تصویر پزشکی ، اقدامات کیفی مختلفی مورد استفاده در این مطالعه تحقیق در این بخش به تفصیل ارائه شده است.

میانگین خطای مربع متوسط و میانگین ریشه

میانگین خطای مطلق (MAE) پرکاربردترین برآوردگر متریک با کیفیت تصویر است. این یک متریک مرجع جامع است. بنابراین ، مقدار پایین بهتر است. MSE همچنین به عنوان میانگین انحراف مربع یک برآوردگر (MSD) شناخته می شود. فرایند اندازه گیری مقدار غیب تصاویر به عنوان یک برآوردگر گفته می شود. MSE یا MSD محاسبه ای است که میانگین مربع خطاها را محاسبه می کند. تفاوت بین برآوردگر و نتیجه تخمین زده شده خطا نامیده می شود. این یک عملکرد ریسک است که از دست دادن خطای مربع یا مقدار مورد انتظار ضرر درجه دوم را در نظر می گیرد:

میانگین خطای مربع ریشه (RMSE) برای اندازه گیری تفاوت بین تصویر اصلی و تصویر تکه تکه شده امکان پذیر است. RMSE به عنوان داده شده است

نسبت سیگنال

در تصویربرداری ، از نسبت سیگنال به نویز (SNR) برای ارزیابی کیفیت تصویر استفاده می شود. سطح سیگنال که سطح آستانه SNR را ایجاد می کند ، اغلب برای تعریف حساسیت یک سیستم تصویربرداری (دیجیتال یا فیلم) استفاده می شود. نسبت سیگنال به نویز به شرح زیر است:

جایی که (p_ mathrm ) ، p میانگین سیگنال و انحراف استاندارد سیگنال است.

نسبت سیگنال اوج

نسبت سیگنال اوج (PSNR) نسبت حداکثر قدرت سیگنال بالقوه به قدرت سر و صدای تحریف کننده است که بر کیفیت بازنمایی آن تأثیر می گذارد. نسبت دسی بل بین دو تصویر محاسبه می شود. به دلیل دامنه دینامیکی گسترده سیگنال ها ، PSNR اغلب به عنوان اصطلاح لگاریتم مقیاس دسی بل محاسبه می شود. این پویا از بالاترین تا پایین ترین مقادیر قابل تصور ، که تحت تأثیر کیفیت آنها قرار دارند ، متغیر است. PSNR را می توان به عنوان [19] تعریف کرد:

که در آن (i_ mathrm (m ، n) ) و (i_ mathrm (m ، n) ) تصویر اصلی و تصویر ترمیم شده را در موقعیت پیکسل (m ، n) و m و n نشان می دهد ابعادتصویر

شاخص شباهت ساختاری

شاخص شاخص شباهت ساختاری (SSIM) با ترکیب ساختار تصویر محلی ، روشنایی و کنتراست ، نمره کیفیت محلی ایجاد می کند. پس از عادی سازی روشنایی و کنتراست ، سازه ها دارای الگوهای شدت پیکسل به ویژه در پیکسل های همسایه هستند. متریک با کیفیت SSIM با نمره کیفیت ذهنی بسیار نزدیک است ، زیرا سیستم نمایشگر انسان قادر به درک ساختار است [23]. در

جایی که درخشش (L) ، کنتراست (C) و ساختار (ها).

ارزیابی کیفیت تصویر مبتنی بر لبه

یکی از مهمترین جنبه های قضاوت بصری انسان ، حفظ لبه است. تکنیک ارزیابی کیفیت تصویر مبتنی بر لبه (EBIQA) مهمترین در تشخیص لبه تصویر است [23]. eBiqa به صورت محاسبه می شود

جایی که (i_1 = (t ، a ، p ، s ، mathrm) ، i_2 = (t ، a ، p ، s ، mathrm) ) در اینجا t تعداد کل لبه ها نامیده می شود ، یک میانگین طول طوللبه ها ، P تعداد پیکسل ها را با سطح مشابهی از شدت نشان می دهد ، S مجموع پیکسل ها در لبه ها است ، SVH حاوی مجموع پیکسل ها است ، که لبه ها را در لبه های عمودی یا افقی تشکیل می دهند.

شباهت ساختاری مبتنی بر لبه

شباهت ساختاری مبتنی بر لبه (ESIM) اجزای شباهت ساختاری در 2. 5. 4 را می توان با استفاده از مؤلفه شباهت لبه اصلاح کرده و به شرح زیر ذکر شد [23].

where (E(I_1;I_2) =frac>+c_3> sigma _+c_3>)در اینجا ( sigma ) انحراف استاندارد است.

نسبت مبتنی بر لبه غیر تغییر

نسبت مبتنی بر لبه غیر تغییر (NSER) بر اساس گذرگاه های صفر است. مقیاس انحراف استاندارد مختلف از سیستم هسته گاوسی برای شناسایی تصاویر جالب استفاده می شود [23]. NSER را می توان به عنوان تعریف کرد

جایی که (p_i = چپ | i_1 cap i_2 راست | / Left | i_1 حق | ) ، (i_1 ) و (i_2 ) تصاویر مرجع و آزمایش شده هستند.

ارزیابی کیفیت تصویر لبه و پیکسل

ارزیابی کیفیت تصویر لبه و پیکسل (EPBIQA) به عنوان EPIQA = PSNR + EBIQA مشخص می شود.

وی گفت: "از نظر کلی اقدامات کیفی ، MSE اساساً یک عملکرد وزنی از انحراف در تصاویر یا تفاوت های مربعی بین تصاویر مقایسه شده است. محدودیت اصلی اندازه گیری SSIM عدم توانایی در اندازه گیری تصاویر بسیار مبهم با موفقیت است. هر سه معیار متداول MSE ، PSNR و SSIM در استفاده از آنها برای معیار عملکرد تشخیص لبه در تصاویر محدود هستند. حفظ لبه یکی از مهمترین جنبه های ارزیابی بصری انسان است. تکنیک Ebiqa با هدف فعالیت بر روی درک انسان از ویژگی ها انجام شده است. تکنیک IQA نسخه لبه گرا از متریک SSIM است. این اقدامات کیفی برای بررسی تصاویر با محدودیت های خاص در جنبه های خاص خود به خوبی انجام می شود. "

تست ANOVA

یکی از ابزارهای آماری برای تجزیه و تحلیل یک طرفه ANOVA (تجزیه و تحلیل واریانس) است. متوسط و واریانس یک مجموعه داده خاص. تغییرات در ANOVA برای تعیین اینکه آیا تکنیک ها متفاوت هستند استفاده می شود. اگر اختلافات مشاهده شده بیشتر از یک محدوده خاص باشد ، تفاوت از نظر آماری معنی دار در نظر گرفته می شود. از آزمون آنالیز واریانس (ANOVA) می توان برای تعیین مقدار P استفاده کرد. اگر مقدار p در این آزمون نزدیک به صفر باشد ، در مورد فرضیه تهی شک و تردید ایجاد می کند و حداقل یک نمونه را نشان می دهد. میانگین نمونه دیگر کاملاً متفاوت است.

ساختار الگوریتمی

جریان الگوریتمی روش پیشنهادی برای محاسبه بعد فراکتال تعمیم یافته در این بخش توضیح داده شده است.

تصاویر CT-Scan تست را بارگیری کنید.

برای از بین بردن نویز ، تصویر را با استفاده از روش فیلتر Median پردازش کنید.

طیف های GFD را در تصاویر اصلی ، پر سر و صدا و denoised استخراج کنید.

محاسبه مقادیر MAE و PSNR در تصاویر پر سر و صدا و دنباله دار.

روشهای تشخیص Prewitt ، Robert و Sobel Edge را در تمام تصاویر اعمال کنید.

طیف GFD را در تصاویر شناسایی شده Edge استخراج کنید.

محاسبه اقدامات کیفی مختلف در مقادیر موجود در تصاویر شناسایی شده.

پیدا کردن ANOVA از لبه تصاویر شناسایی شده و فیلتر شده.

توضیحات داده های تجربی

در این مقاله ، تصاویر سی تی اسکن از بیماران COVID-19 با سنین مختلف به عنوان یک تصاویر آزمایشی در نظر گرفته می شوند ، که از Societa Italiana di Radiologia medica e intermentistica (SIRM) ، میلانو ، ایتالیا جمع آوری شده است [35]. طی 8 روز گذشته ، اولین بیمار 35 ساله بیمار از درجه حرارت بالا ، سرفه ، مشکل در گسترش ریه ها و تنگی نفس رنج می برد. بیمار همچنین برای Coronavirus مثبت آزمایش کرد. پس از آن ، بیمار بعدی یک مرد 45 ساله تحت تأثیر تب ، سرفه ، تنگی نفس (تنگی نفس ++) و گلو درد بود. علاوه بر این ، وی به Covid-19 مبتلا شد. بیمار سوم یک بیمار زن 45 ساله بود که تحت تأثیر تب ، آرترالژی ، ناراحتی بدن ، آنومیس و دیژزیسی به مدت 9 روز گرفتار شد.coVID-19 پس از آزمایش مثبت بود. چهارمین بیمار یک زن 45 ساله بود که سردرد ، تب ، احتقان بینی ، سرفه ، تنگی نفس ، ناراحتی پلوریتیک ، میالژی ، از دست دادن بو و طعم در ابتدای 11 روز پیش تجربه شد. نتیجه آزمایش COVID-19 سپس مثبت بود. بیمار بعدی ، یک مرد 50 ساله با تب اپیزودیک ، تنگی نفس ، سرفه و اودیوفاژی ، 8 روز پیش برای Covid-19 آزمایش مثبت کرد. بیماران باقیمانده ، یک زن 60 ساله و یک مرد 65 ساله ، به ترتیب 3 روز و 20 روز بیمار شده بودند ، با تب ، سردرد ، درد قفسه سینه و مشکلات تنفسی19. سرانجام ، این مرد 70 ساله 5 روز پیش بر علائم تب ، سرفه ، میالژی و هیپوکسمی خفیف تأثیر گذاشت.coVID-19 پس از آزمایش مثبت بود. جدول 1 جزئیات بیماران را شرح می دهد. علاوه بر این ، شکل 1 مجموعه نمونه بیمار COVID-19 از تصاویر اصلی CT-Scan را نشان می دهد.

مجموعه نمونه ای از تصاویر اصلی Covid-19 بیمار قبل از مراحل پیش پردازش