دوره 14، شماره 5 - ( جلد 14، شماره 5، ویژه نامه کووید-19 1400 )                   جلد 14 شماره 5,1400 صفحات 1-14 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Karsaz A. Evaluation of Lung Involvement in Patients with Coronavirus Disease from Chest CT Images Using Multi-Objective Self-Adaptive Differential Evolution Approach. JoC. 2021; 14 (5) :1-14
URL: http://joc.kntu.ac.ir/article-1-832-fa.html
کارساز علی. ارزیابی میزان درگیری ریوی بیماران کرونایی در تصاویر سی تی اسکن قفسه سینه با استفاده از الگوریتم تکامل تفاضلی خود تطبیق چند هدفه. مجله کنترل. 1400; 14 (5) :1-14

URL: http://joc.kntu.ac.ir/article-1-832-fa.html


موسسه آموزش عالی خراسان
چکیده:   (1151 مشاهده)
با فراگیری بیماری کرونا در سراسر دنیا در طول یک­سال گذشته، استفاده از تکنیک ­های پردازش تصویر و الگوریتم ­های هوش مصنوعی جهت آنالیز تصاویر سی­تی ­اسکن (CXR) قفسه سینه بیماران مبتلا به کووید-19ضرورت یافته است. تعیین درصد پیشرفت و گسترش ویروس کووید-19در ناحیه ریه شخص بیمار یکی از نیازمندی­ های اساسی و ضروری مراکز بستری بیماران کرونایی محسوب می­گردد. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش­های یادگیری عمیق با بکارگیری شبکه ­های عصبی کانولوشن اختصاص داشته، که عمدتا به موضوع غربال­گری افراد بیمار و سالم می ­پردازند. در این میان تعداد معدودی از مقالات به موضوع تعیین درصد درگیری ریوی و پیشرفت ویروس در بیماران کرونایی بر اساس تصاویر CXR پرداخته ­اند. عدم شکل­ گیری بانک­ های اطلاعات تصاویر منسجم با اطلاعات یکپارچه و جامع یکی از معضلات اصلی در این حوزه محسوب می­گردد. تعیین میزان درگیری ریوی مبتلایان به بیماری، بر اساس تصاویر متفاوت CXR در روزهای متوالی، دارای معضلات و مشکلات خاص خود از جمله تفاوت در ابعاد، شدت روشنایی، میزان دوز و زاویه تابش اشعه در این تصاویر بوده که بکارگیری یک فیلتر تفاضل­ گیر ساده روی داده ­های دو تصویر را غیرممکن می­سازند. بکارگیری یک روش بهینه­ سازی خود تطبیق با ماهیت تفاضلی و چند هدفه می­ تواند دقت و صحت کار را افزایش و زمان تحلیل را کاهش دهد.
متن کامل [PDF 989 kb]   (184 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: کووید 19
دریافت: 1399/10/30 | پذیرش: 1399/11/25 | انتشار: 1399/12/10

فهرست منابع
1. N. Chen, M. Zhou, X. Dong, J. Qu, F. Gong, Y. Han, Y. Qiu, J. Wang, Y. Liu, Y. Wei et al., "Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in wuhan, china: a descriptive study," The Lancet, vol. 395, no. 10223, pp. 507-513, 2020. [DOI:10.1016/S0140-6736(20)30211-7]
2. J. D. Arias-Londoño, J. A. Gómez-García, L. Moro-Velázquez and J. I. Godino-Lorente, "Artificial intelligence applied to chest X-Ray images for the automatic detection of COVID-19. A thoughtful evaluation approach," in IEEE Access, pp. 1-1, 2020, doi: 10.1109/ACCESS.2020.3044858. [DOI:10.1109/ACCESS.2020.3044858]
3. H. A. Rothan and S. N. Byrareddy, "The epidemiology and pathogenesis of coronavirus disease (covid-19) outbreak," Journal of autoimmunity, p.102433, 2020. [DOI:10.1016/j.jaut.2020.102433]
4. Y. Pan, H. Guan, S. Zhou, Y. Wang, Q. Li, T. Zhu, Q. Hu, and L. Xia, "Initial CT findings and temporal changes in patients with the novel coronavirus pneumonia (2019-ncov): a study of 63 patients in wuhan, china," European radiology, pp. 1-4, 2020. [DOI:10.1007/s00330-020-06731-x]
5. C. CDC Weekly, "The epidemiological characteristics of an outbreak of 2019 novel coronavirus diseases (COVID-19) - China, 2020", China CDC Weekly, vol. 2, no. 8, pp. 113-122, 2020. Available: 10.46234/ccdcw2020.032. [DOI:10.46234/ccdcw2020.032]
6. P. Rajpurkar, J. Irvin, K. Zhu, B. Yang, H. Mehta, T. Duan, D. Ding, A. Bagul, C. Langlotz, K. Shpanskaya et al., "Chexnet: Radiologist-level pneumonia detection on chest x-rays with deep learning," arXiv preprint arXiv:1711.05225, 2017.
7. A. Narin, C. Kaya, and Z. Pamuk, "Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks," arXiv preprint arXiv:2003.10849, 2020.
8. E. E.-D. Hemdan, M. A. Shouman, and M. E. Karar, "Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in x-ray images," arXiv preprint arXiv:2003.11055, 2020.
9. L. ang, Z. Q. Lin, and A. Wong, "Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest radiography images," Scientific Reports, vol. 10, no. 19549, 2020. [DOI:10.1038/s41598-020-76550-z]
10. M. Z. Islam, M. M. Islam, and A. Asraf, "A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID-19) using X-ray images," Informatics in Medicine Unlocked, vol. 20, p. 100412, 2020. [DOI:10.1016/j.imu.2020.100412]
11. J. Civit-Masot, F. Luna-Perejón, M. D. Morales, and A. Civit, "Deep learning system for COVID-19 diagnosis aid using X-ray pulmonary images," Applied Sciences, vol. 10, no. 13, 2020. [DOI:10.3390/app10134640]
12. A. Waheed, M. Goyal, D. Gupta, A. Khanna, F. Al-Turjman, and P. R. Pinheiro, "CovidGAN: Data Augmentation Using Auxiliary Classifier GAN for Improved Covid-19 Detection," IEEE Access, vol. 8, pp. 91 916- 91 923, 2020. [DOI:10.1109/ACCESS.2020.2994762]
13. A. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, and S. Chintala, "Pytorch: An imperative style, highperformance deep learning library," in Advances in Neural Information Processing Systems 32, H. Wallach, H. Larochelle, A. Beygelzimer, F. d'Alché-Buc, E. Fox, and R. Garnett, Eds. Curran Associates, Inc., 2019, pp. 8024-8035. [Online]. Available: http://papers.neurips.cc/paper/ 9015-pytorch-an-imperative-style-high-performance-deep-learning-library. Pdf
14. H. Y. F. Wong et al., "Frequency and distribution of chest radiographic findings in COVID-19 positive patients," Radiology, Mar. 2020, Art. no. 201160.
15. Pan, F., Ye, T., Sun, P., Gui, S., Liang, B., Li, L., Zheng, D., Wang, J., Hesketh, R., Yang, L. and Zheng, C., 2020. Time Course of Lung Changes at Chest CT during Recovery from Coronavirus Disease 2019 (COVID-19). Radiology, 295(3), pp.715-721. [DOI:10.1148/radiol.2020200370]
16. Bankier, A., MacMahon, H., Goo, J., Rubin, G., Schaefer-Prokop, C. and Naidich, D., 2017. Recommendations for Measuring Pulmonary Nodules at CT: A Statement from the Fleischner Society. Radiology, 285(2), pp.584-600. [DOI:10.1148/radiol.2017162894]
17. S.-I. S. O. M. A. I. Radiology. (2020). COVID-19 Database. [Online]. Available: https://www.sirm.org/category/senza-categoria/covid-19/
18. J. C. Monteral. (2020). COVID-Chestxray Database. [Online]. Available: https://github.com/ieee8023/covid-chestxray-dataset.
19. P. Mooney. (2018). Chest X-Ray Images (Pneumonia). [Online]. Available: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia.
20. S. Mirjalili, "Dragonfly algorithm: a new meta-heuristic optimization technique for solving single-objective, discrete, and multi-objective problems," Neural Computing and Applications, vol. 27, pp. 1053-1073, 2016. [DOI:10.1007/s00521-015-1920-1]
21. Storn, R. and Price, K. 1995, Differential Evolution- A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. Technical report, International Computer Science Institute, Berkeley, CA.
22. Q. Fan and X. Yan, "Self-Adaptive Differential Evolution Algorithm With Zoning Evolution of Control Parameters and Adaptive Mutation Strategies," in IEEE Transactions on Cybernetics, vol. 46, no. 1, pp. 219-232, Jan. 2016 [DOI:10.1109/TCYB.2015.2399478]
23. J. Brest, V. Zumer and M. S. Maucec, "Self-Adaptive Differential Evolution Algorithm in Constrained Real-Parameter Optimization," 2006 IEEE International Conference on Evolutionary Computation, Vancouver, BC, 2006, pp. 215-222, [DOI:10.1109/CEC.2006.1688311]
24. J. Wang, G. Liang and J. Zhang, "Cooperative Differential Evolution Framework for Constrained Multiobjective Optimization," in IEEE Transactions on Cybernetics, vol. 49, no. 6, pp. 2060-2072, June 2019, [DOI:10.1109/TCYB.2018.2819208]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به مجله کنترل می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2021 CC BY-NC 4.0 | Journal of Control

Designed & Developed by : Yektaweb