文摘

本文地址自动分割和分类COVID-19和正常胸部CT扫描图像。对于分类、分割的预处理步骤,12 DWT-PCA-based分割图像的纹理特征提取作为输入的随机森林利用机器学习算法分类COVID-19 / non-COVID-19疾病。通过rt - pcr诊断COVID-19疾病测试是一个耗时的过程。有时,rt - pcr检测结果是不准确的;它有一个假阴性,这可能会导致威胁到人的生命由于延迟启动指定的治疗。这时,迫切需要开发一个可靠的自动COVID-19检测工具,可以检测COVID-19疾病从胸部CT扫描图像在较短的时间内,可以帮助医生COVID-19治疗最早开始。在这篇文章中,鲸鱼优化算法改进的一种变体鲸鱼优化算法(IWOA)介绍。IWOA的效率是单峰(F1-F7)测试,多通道(F8-F13)和fixed-dimension多通道(F14-F23)基准测试函数和与鲸鱼优化算法(WOA)相比,樽海鞘群优化(SSA)和正弦余弦算法(SCA)。实验是在30试验和人口规模,进行迭代,30和100年在每个试验。比WOA IWOA达到更快的收敛、SSA和SCA和提高WOA的开发和探索阶段,避免当地的圈套。 IWOA, WOA, SSA, and SCA utilized Otsu’s maximum between-class variance criteria as fitness function to compute optimal threshold values for multilevel medical CT scan image segmentation. Evaluation measures such as accuracy, specificity, precision, recall,G意思是,F_measure, SSIM, 12 DWT-PCA-based纹理特征计算。实验表明,IWOA效率,取得更好的分割评价措施,更好的分割掩模与其他方法相比。DWT-PCA-based纹理特征提取的160个IWOA, WOA, SSA -,和SCA-based分割图像输入随机森林训练、测试和随机森林DWT-PCA-based纹理特征提取每个40 IWOA, WOA, SSA和SCA-based分割图像。随机森林报告了一个有前途的分类精度为97.49% DWT-PCA-based纹理特性,从IWOA-based分割图像中提取。

1。介绍

图像分割是医学图像分析的预处理步骤,并利用分类应用程序。重要特征如纹理和shape-based特性提取分割图像。COVID-19传染性极强并可通过接触和呼吸系统疾病1,2]。这是一个具有挑战性的任务来确定COVID-19疾病在人类准确通过rt - pcr (3,4)和快速抗原工具包。冠状病毒影响的人可能会感到呼吸困难等症状,胸痛、腹痛、和压力的胸部。通过rt - pcr诊断COVID-19疾病是一个耗时的过程,当冠状病毒病例高峰,rt - pcr检测结果样例集合后48小时。自从治疗只能在获得结果,人们不得不等到疾病达到研究最糟糕的水平,大大增加了死亡的几率。有时,rt - pcr测试是不准确的;有一个错误的结果,那么它可能是一个威胁一个人的生活由于后期指定治疗的开始。按上面的场景中,迫切需要开发一个可靠的自动COVID-19检测工具,检测COVID-19疾病从胸部CT扫描图像在较短时间内,可能会帮助医生开始COVID-19治疗最早。Chiranji Lal et al。5]讨论了各种医学成像模式和调查了各种分割技术。手册由医学专业医学图像分割是一个耗时的过程,和诊断可能是错误的。Sonam Aggarwal et al。6]比较分析了在不同pretrained DL模型检测和分类COVID-19从正常和肺炎图像。Shiv Naresh et al。7)应用提出活动轮廓分割和检测方法和凸包方法的脑肿瘤的后代2015数据集。平均灵敏度、PPV和DSC对一个完整的脑部肿瘤,92% 83%为增强脑部肿瘤,81%为脑瘤核心。Adnan Saood et al。8)利用U-net和SegNet段COVID-19肺部CT扫描图像。SegNet实现了95%的平均精度分类感染/未感染组织。Arjun Sarkar et al。9)使用视觉Pro和Cognex DL软件分类COVIDx数据集的胸部x光片。视觉专业取得了95.3%的f值分割图像和94%对整个图像ROI和比COVID-Net表现更好。Nilesh Bhaskarrao Bahadure et al。10伯克利)应用小波变换对脑部肿瘤分割,并提取特征的分割图像利用SVM分类为正常/异常组织。黄Shaoqiong et al。11]应用DL-based注意伽柏网络(Agnet)肺分割,在FMLCD取得更好的分割精度并分割数据集比FCN U-Net, U-Net U-Net + +,关注。环球Ranjan et al。12)利用pretrained DL模型检测COVID-19 /正常胸部x光图像。该方法与各种pretrained DL模型精度在92.50%到98.33%之间变化。该方法与Res-net 34已经达到了98.33%的准确率。阿曼德尤格李东旭et al。13]308纹理特征提取ROI COVID-19胸部x光透视和分析肺炎感染的病人使用机器学习模型。Metaheuristic算法(14)正变得越来越受欢迎,因为它们不需要梯度信息,有能力避免诱捕到当地的最适条件,并利用有效地解决复杂的优化问题。Mohamed El阿齐兹Abd et al。15]介绍了蛾火焰优化和WOA分别采用大津法多级阈值图像分割。最好的健康结果、时间复杂度和PSNR值分割质量量度,SSIM, WOA和方差分析测试计算,MFO和其他群算法。WOA和MFO表现优于其它算法。嗜母羊et al。16鲸鱼]提出了优化算法(WOAMOP)首先和Kapur利用熵作为适应度函数来确定最优的阈值集。该方法已与WOA相比,FA,社会蜘蛛优化(SSO),和FASSO。健身效果,平均CPU处理时间、多级阈值,SSIM, PSNR评价超过30和100次迭代运行该方法与其他算法。WOAMOP取得更好的分割质量量度PSNR和SSIM阈值数量k= 2,3,4,5。Seyedali Mirjalili et al。17]提出樽海鞘群算法(SSA)和多目标问题是解决多目标樽海鞘蜂群算法。掸邦军首先探讨了搜索空间,然后执行开发阶段。SSA,追随者樽海鞘的位置更新实现全球地位。SSA的效率F1-F19基准函数测试30试验中,人口规模是设置为30和500年在每次运行的迭代,并统计结果如标准差和均值与PSO相比,GSA,蝙蝠,花授粉算法(FPA),短信,萤火虫算法(FA)和遗传算法(GA)。SSA能够探索问题的最有前途的领域和获得更好的平均标准偏差值优于大多数单峰,多通道,综合测试函数。Seyedali Mirjalili [18)提出了一种正弦余弦算法(SCA)来解决优化问题。SCA的效率F1-F19基准函数测试30试验中,人口规模是设置为30和500年在每次运行的迭代,和标准差和均值等统计结果与算法相比,遗传算法,蝙蝠,花授粉算法(FPA)。SCA之间建立一个平衡勘探开发找到全球最佳状态,达到快速收敛行为比其他算法。BD Shivahare和”栏目古普塔(19)应用随机螺旋分阶段鲸鱼优化算法和评价多级最优阈值和PSNR等细分指标,SSIM, MSE,平均差异。Kapil Kumar Gupta et al。20.k -均值聚类和模糊C]提出混合意味着良性脑瘤分割算法和分类/恶性脑肿瘤。V。Viswa Priya和Shobarani21)提出了一个上下文执行脑瘤分割聚类算法。a . Renugambal和k .热带雨林Bhuvaneswari [22)应用混合水循环蛾火焰优化获得最佳的脑部MR图像分割的阈值。首先最大的类间方差标准是利用目标函数。WCMFO取得了快速收敛速度来计算最优阈值和改善了PSNR等量化指标,CPU时间,std.偏差。默罕默德·哈西姆Ryalat et al。23DPSO)应用算法,FODPSO算法在三个脑瘤先生图像,进行分割和容积重建,确定肿瘤影响的头部和颈部。FODPSO表现比别人更好的速度、准确性和稳定性。辛格Dilbag et al。24)提出了一个建立深卷积神经网络模型诊断COVID-19疾病从胸部x光检查。多目标自适应差分进化()用来克服hyperparameters深卷积神经网络优化问题。该模型的精度范围在93%和97%之间。El abbadi Nidhal &费萨尔Zahraa [25)提出了一个段脑瘤和分类方法。作者使用三级DWT从tumour-detected提取特征区域,利用PCA降低维度的特性。二十大脑MRI图像和45安MRI图像被用来训练和测试,分别。13统计和纹理特征作为分类的输入安。阿布达拉Mostafa et al。26]鲸鱼优化算法应用于计算各种集群和利用统计为肝脏图像分割图像。最大、最小和平均量化指标如准确性、SSIM,精度,如果评估。穆罕默德Abd Elaziz et al。27)提出了密度峰值集群与一般极值(DPCGEVs) 12日COVID-19 CT扫描图像来计算最优阈值。该算法与k - means DPC和表现更好的熵,SSIM和PSNR。图像分割是一个预处理步骤。分类任务是由基于机器学习模型提取的特征分割图像。

从医学影像分析和诊断疾病通过手工分割是一个耗时的过程。在医学领域,大量的医学图像由计算机辅助生成设备每天;因此,它是非常困难的分析和诊断这些医学图像有效地与手工分割方法。深度学习(DL)方法在医学图像分割领域被广泛使用。DL模型(27)需要巨大的培训使用大量的图片和报告不好的准确性由于数量有限的图片,和非监督机器学习方法如聚类算法不需要训练图像和合适的计算多级图像分割阈值(17- - - - - -19]。DL模型遭受hyperparameters优化设置和过度拟合问题。为了克服这些问题,考尔et al。28)提出了一个metaheuristic-based DL模型诊断COVID-19疾病。

在本文中,作者提出的一种变体鲸鱼优化算法命名为改善鲸鱼优化算法(IWOA)利用大津阈值方法作为多层次的适应度函数来计算最优阈值图像分割。IWOA效率的方法,比较与其他自然metaheuristic鲸鱼优化算法等算法樽海鞘蜂群算法和正弦余弦算法23日基准节中描述的功能4.2。IWOA达到比别人更快的收敛,提高WOA的开发和探索阶段,并避免了当地的圈套。每个metaheuristic IWOA等算法,WOA, SSA, SCA利用大津的最大作为目标函数来计算类间方差标准最优阈值在阈值数量k= 3 200 COVID-19和正常胸部CT扫描图像进行多级图像分割。二级DWT的Haar小波滤波器用于从分割图像中提取特征,然后,PCA用于降低维度的特性。十二DWT-PCA-based纹理特征从分割图像中提取,用作输入到随机森林机器学习分类算法。实验已经进行了200年COVID-19和正常胸部CT扫描图像的图像分割阈值的数字k= 3,描述的部分4.3。提出的图像分割算法和其他算法的性能进行了分析使用21个参数如健身得分,最优阈值,分割质量指标如结构相似度指数(SSIM)、精度、灵敏度、特异性、精度、F_measure,G的意思是,和12 DWT-PCA-based纹理特性(算法1)。

2。材料和方法

2.1。问题公式化

多级阈值的目的是找到最好的k大津阈值,计算出的最大的类间方差标准。大津法作为适应度函数和流行图像的阈值方法来确定多个阈值。因此,对于t_k,k= 1、2、3、…k{t₁,t₂,t₃、…t_k}阈值图像分割k+ 1类或水平。每个类的范围描述如下:Class1 = {我(x,y)εG| 0≤G(x,y)≤t₁}Class2 = {我(x,y)εG|t₁+ 1≤G(x,y)≤t₂}……类_{k+ 1}= {我(x,y)εG|t_k+ 1≤G(x,y)≤l−1}

在这里,我(x,y)代表像素的强度(x,y)的灰度图像G和l灰色的水平Lε[0255]。

最佳阈值计算通过最大化以下方程: 健身( )是制定以下方程: 在哪里和代表的重量和均值我th类,分别代表总类的意思。的重量我th类给出如下:

在这里,代表的概率jth类和定义如下:

在这里,h(j)的频率j灰色的水平和H表示像素的总数。

类方法和分别代表在以下方程:

必须满足下列条件:

2.2。鲸鱼的优化算法

Mirjalili et al。14]介绍了鲸鱼优化算法(WOA),广泛用于解决全局优化问题的仿真座头鲸的行为。WOA非常宽,避免诱捕到当地的最适条件,并获得最优解的能力。一般来说,这些鲸鱼包围目标猎物形成泡沫的圆形路径或路径形状像“9。“WOA勘探开发阶段之间建立平衡。勘探开发阶段执行的WOA是部分中描述2.2。1和2.2。2,分别。

2.2.1。勘探阶段

在探索阶段,鲸鱼是随机选择从搜索空间来获得对全球或最佳位置来获取目标猎物的关闭位置。鲸鱼的位置更新使用鲸鱼的随机位置_兰德对于|≥1。鲸鱼在勘探阶段的更新位置提出了以下方程: 在哪里当前的搜索代理之间的距离吗和随机选择的鲸鱼或搜索代理从搜索空间。

2.2.2。开发阶段

WOA的开发阶段是由泡沫净觅食行为。泡沫创造行为,座头鲸在两个阶段。

(一)收缩包围的猎物。在这个阶段的价值一个在线性连续从2 0迭代(t)和向量有一个随机值(−1,1)之间的迭代。环绕阶段使用下列方程表示: 在哪里(我+ 1)代表的更新位置搜索代理n在迭代维度t和是最好的职位搜索代理。系数向量是数学中定义以下方程:

D表示距离最好的代理,定义如下:

在这里,代表的位置搜索代理在迭代的搜索空间t。调整因素帮助搜索代理利用当地地区搜索空间和被定义为

在这里,r是一个随机生成的号码吗rε(0,1)代表了向量。

(b)螺旋更新的位置。更新的职位搜索代理或鲸鱼在螺旋的形成阶段是数学表示为 在哪里ℓ控制一个₂参数,b定义了螺旋形状,( )搜索代理和代表之间的距离目标猎物中定义以下方程:

ℓ是数学表达如下方程: ,“一个₂从−−1 2”是减少线性连续的迭代t并表示为以下方程:

WOA的开发阶段实现平等的概率使用以下方程: 在哪里p (0,1)是随机生成的数字。

3所示。提出的方法

步骤1。输入灰度图像步骤2。预处理(一)运用中值滤波。(b)图像调整256×256像素。步骤3。每个聚类算法IWOA, WOA SSA, SCA方差之间利用大津的最大标准作为适应度函数来计算多级阈值。步骤4。图像分割是由多级阈值获得的每个算法。步骤5。预测分割掩模和分割精度是基于为每个聚类方法获得的图像分割步骤6。提取DWT-PCA基于纹理特征来训练随机森林的机器学习算法步骤7。随机森林算法分类COVID-19 / Non-COVID-19疾病

在步骤6中,2级DWT Haar小波滤波器用于提取特征的分割图像,然后应用PCA降低维度的特性。十二DWT-PCA-based纹理特征提取的每个160 IWOA, WOA, SSA,和SCA-based分割图像被送入训练随机森林,和随机森林是测试每个40 IWOA DWT-PCA-based纹理特征,WOA, SSA, SCA-based分割图像。

在步骤7中,12 DWT-PCA-based纹理特征作为输入用于随机森林分类COVID-19 / non-COVID-19状态的病人。

提议的方法的流程图如图1。

3.1。拟议中的Metaheuristic算法(IWOA)

在本节中,WOA的一种变体,改进的鲸鱼优化算法(IWOA)提出了确定多级图像分割的最优阈值利用最大的类间方差标准中定义的大津法方程(2)。该算法的流程图,IWOA,如图2 (b)。在流程图中,E1指方程(21)、E2指的是方程(9)和E3指的是方程(18)和(19)。在螺旋更新位置,部分中讨论2。2,WOA可能陷阱到当地最适条件如果最好的搜索代理或鲸鱼是远离全球解决方案( )。

为了避免诱捕到当地的最适条件,(一)搜索代理的立场一步WOA |一个|≥1(勘探阶段)和 (螺旋阶段)被修改。更新的职位搜索代理|一个≥1下勘探阶段数学建模在以下方程: 在这里,代表鲸鱼数量的排序位置在当前迭代t和数学建模(20.)。 在这里,流行是搜索代理和人口规模T是最大的迭代。搜索代理的位置更新 数学建模在以下方程: 在哪里代表了鲸鱼的排序位置,b定义了螺旋形状,鲸鱼的领袖或全球地位,( )代表之间的距离最好的搜索代理和目标猎物中定义以下方程: 一般来说,ℓ参数是由一个₂参数,修改步骤一个₂讨论了参数如下。(b)鲸鱼的优化算法(WOA),开发实现使用螺旋环绕阶段或阶段。WOA是最好的鲸鱼收敛到全局最优解。WOA可能陷阱到当地最适条件如果最好的鲸鱼是远离全球解决方案。为了避免诱捕到当地的最适条件,介绍了随机性螺旋WOA的阶段。一般来说,ℓ参数是由一个₂参数中描述(15)。的价值一个₂参数是动态选择和谎言之间(−−1日2);的价值一个₂参数是随机选择的区间[−−1日2],可能获得一个随机值接近−2在开始迭代(t),而不是线性递减(−−1 2)的迭代。一个₂参数是数学建模在以下方程: 现在,ℓ参数是随机选择的价值在螺旋阶段和避免捕获到当地最适条件的可能性,WOA的过早收敛在开发阶段。

节中描述了该算法的有效性4.2,发现WOA的勘探和开发能力可以增强和机会获得全球职位搜索代理高在逐次迭代。

提出metaheuristic聚类算法的流程图(IWOA)如图2 (b)。

4所示。实验和讨论

4.1。实验设置

IWOA,该方法的效率与WOA相比,SSA, SCA和讨论部分4.2。提出最优阈值计算的方法,IWOA, WOA, SSA,和SCA,多级胸部CT扫描图像分割,提出了部分4.3。所有算法都设定在“MATLAB 2019”和实现Windows 8 64位计算机拥有英特尔酷睿i3 @ 2 GHz, 4 GB RAM。目标函数的最佳得分,糟糕的分数,最佳阈值,该算法的分割的措施(IWOA)与其他三个算法相比,WOA [14],SSA [17SCA [],18]。算法测试每一图像超过30分。对于每个运行,鲸鱼/搜索代理人口规模和最大迭代设置为30和100年,分别为阈值的数字k= 3。算法参数表中列出1。

4.2。IWOA标准基准问题的性能

的功效验证了IWOA 23基准函数;单峰(F1-F7),多通道(F8-F13)和fixed-dimension多通道(F14-F23),结果是与其他表面算法相比,即WOA [14],SSA [17SCA [],18]。

WOA IWOA的计算复杂性,SSA和SCA定义为O(N× )在哪里和N代表的最大迭代数和群人口规模,分别。

在文献中,WOA [14)优于PSO,德、聚全氟乙丙烯和引力搜索算法(GSA)。SSA (17GSA)优于PSO,平安险,FA,蝙蝠,SMS, GA。SCA (18)优于PSO、GA、平安险和蝙蝠。因此,算法的计算结果,德,GSA, GA,平安险,蝙蝠,萤火虫(FA)不包括在本文中。

表2介绍了最好和最差健身执行每个算法获得的得分超过30分,在每次运行100次迭代。表2表明IWOA WOA获得类似的适应性得分和达到的最大值F1-F7单峰函数和多峰F11-F13,但IWOA实现快速收敛和花费更少的迭代次数比WOA获得更好的健康得分,SSA和SCA。IWOA F1-F6实现快速收敛行为。SCA F7 SSA紧随其后表现更好,IWOA, WOA。IWOA获得最好的健身为F8得分和快速收敛,F9,其次是WOA和F10健身功能,SSA和SCA,如图3- - - - - -5。

健身功能F4, F14、F16和F18对所有算法也有类似的适应性得分30分。总的来说,IWOA实现快速收敛和最佳得分11次F1, F2, F3, F5、F6, F8-F13。健身功能F2、F3、F13 IWOA之际,首先在第二个排名,排名紧随其后的是WOA SSA和SCA。F1的健身功能,F5、F6季,F12, IWOA达到第一个排名紧随其后的是WOA(排名第二),和SCA和SSA的基础上快速收敛和最佳健康得分,分别。SSA实现快速收敛,最佳得分和排名6次健身功能(F23 F17, F19)。F19和F20 SSA达到一流IWOA紧随其后,WOA, SCA。F21 F23, SSA实现一流其次是SCA, IWOA, WOA。SCA实现F7第一等级的两倍,因为最好的分数和快速收敛和F18由于快速收敛行为。

IWOA实现快速收敛和最佳得分和达到一流11健身功能(F1-F3, F5、F6和F8-F13)其次是WOA作为第二个等级。IWOA获第二等级3次健身功能F18 F19, F20。开发和探索能力的算法与单峰(F1-F7)评估和多通道(F8-F23)功能,分别。从表可以看出2IWOA是单峰的竞争和有效的优化器和多峰函数,至少在大多数情况下。

因此,可以说,该方法,IWOA,更好的开发和探索能力,可以避免诱捕到当地最适条件而考虑的方法。F2的收敛行为,F9, F6, F10, F8, F21如图3图8分别为IWOA, WOA、SSA和SCA。

4.3。基准图像

该方法的性能(IWOA)和其他方法(WOA、SSA和SCA)首先利用最大方差之间的标准作为COVID-19适应度函数和正常胸部CT扫描图像分割阈值的数字k= 3评估从dataset1[200随机选择的图片29日]和dataset2 [30.]。每个图片都有二元分割dataset1的面具。dataset2的图像大小为256×256,和一个二元分割掩模是由简单的线性迭代聚类(SLIC)。细分指标计算从地面真理。

灰度图像(Img001的一些示例。png、Img008。png、Img023。png、Img050。png、Img056。png、Img061。png、Img072。png、Img075。png、Img080。png, Img091.png) from dataset1 [29日(NonCovid4]和样本的灰色图像。png、NonCovid31。png、NonCovid79。png、NonCovid96。png, NonCovid109.png from dataset2 [30.),名叫SImg 1 SImg 15日分别在图所示9。

4.4。实验结果和讨论

最好的健身得分(最大健身)和糟糕的健康得分(最低健身)计算方法,IWOA,连同WOA, SSA, SCA之间利用大津的最大方差标准为每个图像阈值数量k= 3计算30多个独立运行,每次运行以下100次迭代每个算法,和样本图像的计算结果见表3。

多级最优阈值计算的每个方法阈值数量k= 3的每个图像30多个运行和样本图像的最佳阈值见表4。

定量指标如精度、灵敏度、特异性、精度、F_measure,G的意思是,和SSIM计算分割图像之间每个方法(WOA IWOA, SSA和SCA),和相应的地面真理/分割掩模在每次运行和细分指标计算每个图像的每个方法。细分指标15样本图像计算方法是列在表中5- - - - - -8平均30分和15的进一步细分指标平均图像计算。

很明显从表5- - - - - -8平均分割指标计算15 IWOA-based样本分割图像的分割图像比其他方法为基础进行计算。分割精度等指标的敏感性,特异性,精度,F_measure,G意味着计算之间的二元分割图像掩模(预测二元掩模)和二元分割掩模(地面实况)相应的图像数据集。SSIM之间计算灰度图像分割的面具(预测二元掩模)和灰度分割掩模(地面实况)相应的图像数据集。平均分割指标计算15 IWOA, WOA, SSA - SCA-based分割图像相比,表中列出9,如图10。很明显从表9IWOA已经达到1排在分割措施SSA(2日排名)紧随其后,WOA,(第三等级)和SCA(4日排名)。

离散小波变换(DWT)和主成分分析(PCA)是应用于每个200 IWOA -, WOA, SSA和SCA-based 30多个运行分割图像中提取一阶和二阶纹理特性。两级DWT的Haar小波滤波器用于从分割图像中提取特征,然后,主成分分析应用于降低维度的特性。PCA选择重要的命令功能集。十二DWT-PCA-based纹理特征提取每15 IWOA-based分割图像(SegImg1 SegImg15)表中列出10平均30分,进一步计算平均纹理特性。二阶纹理特征(31日)等相关、对比、同质性和能量计算应用灰度共生矩阵建立的模式。十二DWT-PCA-based纹理特征提取的160个IWOA, WOA, SSA和SCA-based分割图像输入随机森林(32)进行训练。随机森林是测试每个40 IWOA——DWT-PCA-based纹理特征,WOA, SSA和SCA-based分割图像。十二DWT-PCA-based纹理特征作为输入用于随机森林分类COVID-19 / Non-COVID-19状态的病人。随机森林分类精度已达到承诺97.49% DWT-PCA-based IWOA-based分割图像的纹理特征。

的视觉质量预测分割掩模,RGB-labelled分割图像,和分割图像的最佳阈值的计算方法(IWOA)连同WOA SSA和SCA如图11。IWOA方法达到更好的分割精度和视觉质量的预测比其他方法分割掩模和分割图像。

表11表明,预测细分SImg2 IWOA方法生成的面具,SImg3, SImg13, SImg15取得更好的分割精度相比其他方法生成的预测分割掩模。

从表12,推断随机森林算法取得了有前途的分类精度为97.49% DWT-PCA-based纹理特性,从IWOA-based分割图像中提取。当纹理特征提取SSA-based分割图像,随机森林已经达到了94.12%的准确率,进一步减少了1%,如果从WOA-based分段提取图像纹理特性。随机森林给了最少的准确性为90% DWT-PCA-based纹理特性,从SCA-based分割图像中提取。

5。结论

COVID-19疾病通过rt - pcr诊断测试是一个耗时的过程,有时,rt - pcr检测的假阴性结果,这可能会导致威胁到人的生命由于延迟启动指定的治疗。这时,迫切需要开发一个自动COVID-19检测工具,可以探测到COVID-19疾病从胸部CT扫描图像在较短的时间内。在这篇文章中,一个名叫改进现有鲸鱼优化算法的变体鲸鱼优化算法(IWOA)介绍了计算最优阈值。IWOA 23使用基准测试的效率优化函数,并证明IWOA取得了更好的收敛行为,和改进WOA的开发和探索能力,绕过当地的最适条件。该方法(IWOA)和WOA, SSA和SCA聚类方法利用大津的最大的类间方差标准来计算最优阈值。执行自动分割与最优阈值(k= 3)。IWOA方法取得一个更好的健康得分,分割的准确性,视觉质量预测分割掩模,比其他方法分割图像。IWOA-based分割方法掌握第一等级评估细分指标。二级DWT的Haar小波滤波器用于从分割图像中提取特征,然后,主成分分析应用于降低维度的特性。十二DWT-PCA利用从图像分割提取的纹理特征作为输入的随机森林机器学习算法的分类COVID-19 / Non-COVID疾病。随机森林算法报告了一个有前途的分类精度为97.49% DWT-PCA-based纹理特性,从IWOA-based分割图像中提取。在未来,DWT-PCA-based纹理特征提取方法将作为输入提供给各种机器学习和pretrained深学习模型来检测肿瘤从大脑MRI图像和分类指标进行比较。

缩写

COVID-19:	冠状病毒disease-19
rt - pcr:	逆转录聚合酶链反应
DL:	深入学习,
主成分分析:	主成分分析
IDM:	逆不同时刻
DWT:	离散小波变换。

数据可用性

仿真实验方法用于计算结果可从相应的作者。

的利益冲突

作者宣称没有利益冲突。