Signal and Data Processing

fa تشخیص چندکلاسه بیماری‌های ریوی از روی تصاویر بهبود‌یافته CXR مبتنی بر یادگیری تجمیعی Multi-class Lung Disease Detection from Enhanced CXR Images Using Ensemble Learning مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper پژوهشي Research در این مقاله، یک روش نوین طبقه‌بندی چندکلاسه مبتنی بر الگوریتم‌های پیشرفته یادگیری عمیق ارائه شده است. پایگاه داده COVID-19، که شامل مجموعه‌ای از تصاویر CXR عمومی است، برای بررسی تأثیر تکنیک‌های تصویربرداری ساده، بهبودیافته و بخش‌بندی‌شده مورداستفاده قرار گرفته است. علاوه بر این، مزایای بالقوه ترکیب تصاویر بخش‌بندی‌شده-بهبودیافته و بهبودیافته-بخش‌بندی‌شده نیز بررسی شده است. بخش‌بندی ریه با استفاده از مدل U-Net انجام شده، در حالی که بهبود تصاویر CXR ساده و بخش‌بندی‌شده با استفاده از یک شبکه عصبی پیشرفته صورت گرفته است. در مرحله پیش‌پردازش، تصاویر CXR تغییر اندازه داده شده و نرمال‌سازی می‌شوند، سپس به هفت مدل یادگیری انتقالی شامل VGG16، VGG19، ResNet50V2، InceptionV3، MobileNet، InceptionResNetV2 و DenseNet201 ورودی داده می‌شوند. قدرت این مدل‌ها از طریق یک رویکرد گروهی ترکیب شده و چارچوب بهبودیافته پیشنهادی عملکرد برتری را با دقت 97.03 درصد نشان داده و از تحقیقات اخیر موجود پیشی گرفته است.   <div class="WordSection1">In recent years, with the increase in lung disease mortality, especially following the COVID-19 pandemic, early and accurate detection has become a focal point in image processing. While considerable research has been conducted on lung disease detection, a notable gap is observed in the literature regarding the combined and individual effects of image enhancement, lung segmentation, and the application of ensemble learning techniques. In this paper, a novel multi-classification approach based on advanced deep learning algorithms is proposed. The COVID-19 Database, a publicly available CXR image dataset, is utilized to investigate the effects of plain, enhanced, and segmented imaging techniques. Additionally, the potential benefits of combining segmented-enhanced and enhanced-segmented images are investigated. Lung segmentation is performed using a U-Net model, while enhancement of both plain and segmented CXR images is conducted with an advanced residual dense neural network. The preprocessing step involves resizing and normalizing the CXR images before they are input into seven transfer learning models: VGG16, VGG19, ResNet50V2, InceptionV3, MobileNet, InceptionResNetV2, and DenseNet201. The strengths of these models are aggregated using an ensemble approach, and the enhanced framework demonstrates superior performance with 97.03% accuracy, 97.12% precision, 97.03% recall, a 97.1% F1-score, and an AUC of 98.98%, outperforming state-of-the-art research.</div> <div aria-label="Page Break" class="cke_pagebreak" contenteditable="false" data-cke-display-name="pagebreak" data-cke-pagebreak="1" style="page-break-after:always" title="Page Break"></div> بیماری های ریوی, ام آر آی, یادگیری تجمیعی, یادگیری انتقالی, پردازش تصویر Lung Diseases, MRI, Ensemble Learning, Transfer Learning, Image Processing 61 82 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2187-2&slc_lang=fa&sid=1 Shahriar Mohammadi شهریار محمدی mohammadi@kntu.ac.ir 100319475328460014278 100319475328460014278 Yes KN Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی Zahra Taghavian Asiabi زهرا تقویان آسیابی z.taghavian@email.kntu.ac.ir 100319475328460014279 100319475328460014279 No KN Toosi University of Technology دانشگاه خواجه نصیرالدین طوسی Mehdi Babagoli مهدی باباگلی babagoli@umz.ac.ir 100319475328460014280 100319475328460014280 No University of Mazandaran دانشگاه مازندران