(b)提取有意义的特征和(c)根据检索到的特征进行分类。研究人员
已经提出了几种区域聚类方法,然而,必须找到最佳的一个。另一方
面,特征提取方法可以依赖于单个策略或两种方法的组合。在大多数情
况下,融合过程会产生更好的结果。最后,选择一种合适的检测方法可
能很困难,因为有太多的选择。
我们的方法
为了开发一个从医学图像中识别COVID 19的学习模型,我们使用了
三个标准的CT扫描图像数据集。为了便于处理,我们统一了这些图像的
尺寸,因为它们是不同的,并将它们的颜色从RGB转换为灰度。我们使
用了一种混合的快速模糊c均值分割技术来分割图像。此外,我们的模
型使用Contourlet变换和CNN技术来提取特征。这两个特征向量被融合
成一个特征向量,并用作训练分类模型的输入。由于融合的特征向量由
大量的功能,我们使用了选择技术,提取Meta启发式功能,使用二进制
差分进化。集成分类器然后利用该优化的特征向量对CT扫描进行分类。
图3呈现了我们的基于融合的COVID 19检测机制的建议方法图。
使用的数据集
CT扫描图 像 被认为是 用于发现COVID 19感染的 最 佳工具 之 一
(Shah等人,2021年,尤其是在没有其他症状的情况下。因此,我
们在这项工作中使用了三个真实的CT扫描图像数据集,包括COVID
19感染和非COVID 19感染。这些数据集的简要描述如下:
a)
数据集1:SARS-CoV-2 CT扫描数据集(Angelov和Soares,2020)包
含来自120名患者的2482张CT扫描图像,包括来自男性(32)和女
性(28)的60名SARS-CoV-2感染患者的1252张CT扫描图像,以及60
名未感染SARS-CoV-2但患有其他肺部疾病的患者的1230张CT扫描图
像。CT扫描图像的数据是从巴西圣保罗的医院收集的。该数据集中
的CT扫描图像是打印CT测试的数字扫描,没有图像大小的标准。数
据集中最小的CT扫描图像为324 412像素,而最大的CT扫描图像为
324 412像素。 是484456像素。训练集中有1800张图像,验证集中
有282张图像
b)
数据集2:该数据集由377人的CT扫描图像组成(Zhao等人,2020
年)。CT扫描图像分别为1558和4826张,分别属于95名COVID 19感
染者和282名正常人。位于伊朗Sari的Negin医学中心提供了该数据
集,图像大小为256 256 3.在这个数据集中,5720 im- 年龄用于
培训,258人用于测试。
c)
数据集
3
:公开可用的数据集是从真实网站和学术种子收 集的
(Morozov等人,2020年)。该数据集包含2541张CT扫描图像:
1200 张 图像 被标 记为 COVID 19感 染 ,1341张 图 像为 非 COVID
19。这两类图像是RGB图像和不同的大小。训练集中有1886张图
像,验证集中有250张图像。
通过结合这三个数据集,我们形成了一个包含11407张CT扫描图
像的存储库,其中4010张被标记为COVID 19感染,7397张CT扫描图
像被标记为非COVID 19。图4示出了这些图像的样本。
预处理阶段
数据预处理对于任何机器学习项目的成功都是不可或缺的任务,特
别是当数据是图像时(例如,消除噪声、失真像素等)。图5概述了我
们对CT扫描图像进行预处理的关键步骤。具体来说,我们通过将所有图
像缩小到256 × 256像素来标准化所有图像的大小,并使用MATLAB函数
将其着色尺度从RGB转换为灰度。为此,我们使用了rgb 2gray MAT-LAB
函数,通过消除色调和饱和度信息将RGB图像转换为灰度。此外,我们
应用了分割技术(如我们在3.3节中简要描述的)。
改进的分割技术
硬聚类和软聚类是用于图像分割的两种主要聚类类型。模糊c均值
(FCM)(Zhang et al.,2012)和K-means聚类分别是软聚类和硬聚类
方法。为了获得无噪声的图像,传统的FCM方法不能产生令人满意的结
果,因此我们提出了一种新的混合FFCM方法,该方法自动计算适当的
聚类数,如下所述。
图6显示了使用混合快速模糊c均值方法分割的图像。该方法分两个
阶段对COVID 19图像进行分割。在第一阶段中,原始聚类中心被细化。
首先,我们在COVD 19图像上应用OTSU方法来确定