融合Contourlet变换和神经特征的CT扫描图像中COVID 19感染的检测

智能系统与应用17（2023）200182使用融合Contourlet变换和神经特征在CT扫描图像中发现COVID 19感染NurA-Alam a，b，1，Md. Saikat Islam Khan a，b，2，*，Mostofa Kamal Nasir aaMawlana Bhashani科技大学计算机科学与工程系，Santosh，Tangail-1902，孟加拉国b孟加拉国达卡，达卡国际大学，CSE系A R T I C L EI N FO保留字：卷积神经网络（CNN）轮廓波变换（CT）计算机断层扫描（CT）主成分分析（PCA）最小冗余最大相关二元鉴别评价（BDE）冠状病毒分割COVID 19检测COVID 19测试机器学习（ML）深度学习（DL）A B标准世界卫生组织（WHO）称COVID 19是22世纪的大流行性疾病。COVID 19疾病是由一种导致数百万人感染和死亡的冠状病毒株引起的，除非我们找到使医疗保健提供者能够准确和尽早检测感染的机制，否则这种情况将继续下去。为此，为了诊断这种肺部感染，CT扫描图像通常是医生通常用来发现感染的可靠工具。与计算领域的许多其他研究一样，我们在这里提出了一种使用机器学习自动识别CT扫描中COVID 19感染过程的新方法。该方法使用混合快速模糊c-均值对COVID 19 CT扫描图像进行分割。然后，使用Contourlet变换和CNN特征提取方法从分割的CT扫描图像中单独提取特征，并将它们组合在一个特征向量中。对于特征选择，我们尝试了三种特征选择技术，即主成分分析（PCA），最小冗余最大相关性（MRMR）和二进制差分评估（BDE），我们发现后者给出了最好的结果。对于分类，我们使用了几种神经网络模型（AlexNet，ResNet50，GoogleNet，VGG16，VGG19），发现集成分类器的效果更好。在标准公共数据集上进行了一系列广泛的实验。结果表明，我们的方法提供了更好的性能比其他现有的方法，准确率为99.98%。介绍COVID 19是一种属于严重急性呼吸综合征（SARS-Cov-2）病毒家族的传播性疾病（Brunese et al.，2020年）。2019年12月在中国湖北省武汉市发现了这种冠状病毒的零病例，在人类中没有先例。在几周内，该病毒迅速传播到世界卫生组织（WHO）不得不在2020年3月11日宣布COVID 19为大流行的程度（Kwekha-Rashid et al.，2021年）。 病毒的不断传播对世界经济和人口造成了损害。当我们开始有病毒的几种变体和突变时，即α、β、γ和δ，情况恶化（Cascella等人，2022年）。图1描绘了全世界的活跃率、恢复率和死亡率（Anwar等人，2020年）。这种不断升级的风险促使世界各地的科学家寻找更有效的方法来诊断和治疗癌症。检测COVID 19病毒感染。2019冠状病毒病首次源自中国后，孟加拉国于二零二零年三月八日报告首例病例，并于二零二零年三月十八日出现首例死亡病例。在接下来的两个月里，每日身份数量都在3位数范围内，并在7月份达到峰值。2020年7月2日，最多有4，019人被诊断患有冠状病毒。人们认为这种病 毒 的 发 病 率 在 冬 季 会 增 加 。 但 实 际 上 ， 情 况 正 好 相 反（Worldmeters，2021）。2020年11月，过渡曲线图略有上升，但从12月开始迅速下降。2月中旬，感染率降至3%以下，每日确诊人数不到300人（安瓦尔例如，2020年）。目前，平均每天有20，000人接受COVID-19检测，其中平均4，000人受冠状病毒影响，平均160人死亡，9，000人正在康复。 于二零二一年七月，共有1146564人受COVID-19影响，18，851人死亡。图2显示了COVID 19* 通讯作者。电子邮件地址：gmail.com（Md.S.I.Khan）。电话：0000-0003-3227-729320000-0002-9211-0367https://doi.org/10.1016/j.iswa.2023.200182接收日期：2022年9月24日;接收日期：2022年12月16日;接受日期：2023年1月8日2023年1月13日在线提供2667-3053/©2023达卡国际大学。发表关于Elsevier Ltd.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志首页：www.journals.elsevier.com/intelligent-systems-with-applicationsN. A-Alam等人智能系统与应用17（2023）2001822××影响、死亡和恢复计划。胸部计算机断层摄影（CT）扫描图像是用于诊断COVID 19的最可靠的医学成像技术之一（Shahid等人，2021年）。通过使用RT-PCR临床测试作为参考点，科学家们发现从CT扫描图像中提取的特征比从X射线图像中提取的特征更好。灵敏度高，而特异性低（Ghaderzadeh和Asadi，2021），因此我们使用CT扫描图像（Kwee和Kwee，2020）作为检测COVID 19感染的最终工具。研究人员使用了三种强大的特征选择方法。首先，主成分分析（PCA）是一种降维技术，已被广泛用于计算机科学领域，以查明我们的数据中的重要关系。PCA方法具有执行特征选择的能力，并且可以从每个特征分量中选择出一些关键特征并丢弃其余特征。该方法的主要局限性在于，如果特征不相关，则该方法不能很好地执行并且对离群值不鲁棒。其次，mRMR是一种最小最优特征选择算法，旨在为给定的机器学习任务找到最小的相关特征子集。这种方法的主要局限性是在真实数据集上运行的时间相当长。第三，二元差分进化（BDE）是Stom和Price（Storn和Price，1997）提出的一种启发式方法，用于减少非线性和连续函数。BDE设计用于特征选择，以解决连续值问题。BDE特征选择技术从所有特征中选择最合适的特征或信息关系。这种方法通常是更好的高性能，更少的内存消耗，更少的时间需要，提供可解释的结果。因此，作者将该模型应用于本系统。在 秩序 检测 异常， 不规则部分并且 确诊胸部X射线摄影，卷积神经网络（CNN）已经证明了它们的潜力，并确立了自己作为最流行的深度学习算法和有效方法之一的地位（Razzak等人，2018年）。研究人员使用卷积神经网络来分析大流行爆发期间正确的COVID-19诊断（CNN）（Alazab等人，2020年）。许多研究表明，使用深度学习算法可以提高诊断的意识、特异性和有效性，以及CT扫描图像的检测方面（Storn和Price，1997）。为此，我们使用机器学习，特别是深度学习（Razzak等人，2018，Storn和Price，1997和Narin等人，2021），通过分析CT扫描来识别感染。我们使用三个标准数据集来获得更好的输出。为了统一这三个数据集，我们重新调整了所有CT扫描图像，将其从RGB转换为灰度，2562563尺寸所提出的系统提供了一种自动系统，以便检测COVID 19疾病的CT扫描图像。首先，研究者收集了三个公开的标准数据集，并将这些数据集合并为建议数据集.在预处理部分，研究人员通过将RGB图像转换为灰度图像来调整数据集的大小，并对所有图像进行分割。我们使用了模糊c-均值和混合快速模糊c-均值（HFFCM）作为分割技术，其中后者表现出更好的效果。该方法提出了一种融合技术，融合了两个特征提取的C变换和CNN。我们已经使用了五种熟悉的机器学习技 术 （ GoogleNet ， Alexnet ， Resnet50 ， VGG16 和 VGG19 ） ， 但noveontrolNetl CNN VGG19模型比其他模型工作得更好。我们使用二进制差分评估方法（BDE）来增强一些机器学习方法的预测能力，选择合适的特征并将其存储在一个特征向量中。出于测试目的，系统使用选择性均值滤波器去除噪声，并将滤波后的图像发送到特征提取器模块。集成分类器然后利用优化的特征向量对CT扫描图像进行分类。贡献从X射线、CT扫描等医学图像中识别COVID 19感染引起了计算机领域许多研究人员的兴趣。这项工作是一个新的尝试，介绍一个更好的分类方法，更快，更准确。我们的贡献可概括如下：聚集新的CT扫描数据集：正常CT扫描图像和COVID 19 CT扫描图像。（Angelov和Soares，2020，Zhao例如， 2020，Morozov等人， 2020年）采用混合快速模糊c均值分割技术来改善分割效果。提出了一种融合Contourlet变换和CNN两种不同特征提取方法的特征向量。提出了一种基于投票的技术，用于使用三个良好的基本分类器的集成来检测COVID 19。使用二进制差分评估从融合特征向量中选择元启发式特征。介绍一种COVID 19检测框架，该框架优于其他方法，准确率达到99.98%。图1.一、 统计全球COVID 19感染，死亡和康复率。······N. A-Alam等人智能系统与应用17（2023）2001823+组织：研究的其余部分组织如下。第2节回顾了文献，第3节描述了我们提出的检测COVID 19感染的在第4中，我们解释了我们的实验设置，结果和结果分析我们在第5节总结了本文，并勾画了未来的工作。文献综述在这项工作中，我们研究了采用卷积神经网络（CNN）的基于AI的解决方案，并利用了深度学习模型的诊断能力（Mishra等人，2021年）。使用基于ResNet50和VGG16架构的迁移学习方法，构建了从具有正常、COVID 19阳性和肺炎类别的CT扫描图像中识别COVID 19的算法。当使用ResNet50和VGG16 CNN模型作为基线时，推荐模型的平均总体准确率分别为88.52%和86.74%。研究人员在（Shahid等人，2021）试图说明机器学习研究（如CNN，贝叶斯深度学习，ResNet50模型，VGG 16，密集网络，迁移学习，移动网络等）对诊断COVID 19具有重大影响，利用X射线（CXR）数据集。他们将COVID 19感染患者的CT扫描图像与未感染患者的CT图像进行了比较。作者详细概述了机器学习技术如何在本研究中用于解决COVID 19问题。他们展示了三个关键阶段：“筛查”、“跟踪和预测”和“医疗援助”。“作者在（Brunese等人， 2020）提出利用医学图像分析来自动检测COVID 19疾病。他们使用深度学习技术创建了一个使用85个胸部X光片的架构实验表明，所提出的技术有效地将COVID 19状况与其他肺部疾病分开。 作者出色地说明了培训和评估的两个阶段。推荐技术的有效性由其评估确定，其平均准确率和召回率为0.965。CT影像的放射学评价在预测率方面优于RT-PCR技术。在这篇文章中（Perumal等人，2021），本研究中建议的系统与现有的机器学习分类器和深度学习分类器进行了比较，以改进数据分析。所提出的混合学习模型可以从胸部CT图像中检测COVID 19或非COVID 19，准确率为96.69%，灵敏度为96%，Alex的特异性为98%。 Net SVM模型。作者（Alhwaiti等人，2021）开发了一种系统架构，用于采用特征提取方法和分类来筛选COVID 19胸部CT图像。他们主要比较AlexNet，ResNet，VGG-16，CNN模型，以及SVM，随机森林，Nave Bayes和决策树分类器。他们在这项分析中也使用了融合方法。研究人员（Ghaderzadeh和Asadi，2021）详细分析了所有COVID 19检测和诊断模型，包括放射学模式和深度学习处理。基于深度学习的分类模型具有出色的能力，可以提供适当有效的方法来识别和诊断新冠肺炎实验结果表明，所有X线检查的平均诊断敏感性>95%，特异性> 95%，>91%，检测率更高在COVID 19的情况下，通过DL技术获得的CT扫描图像的特异性平均大于92%。一项综述研究（Siddhu等人，2020）提供了一个X射线和CT扫描图像的数据库，这些图像来自普通细菌性肺炎、Covid 19疾病和常见病例，用于检测冠状病毒感染。作者（Siddhu等人，2020）在表格中展示了用于自动COVID 19患者识别的传统深度学习技术。 他们统计了用于发现COVID 19的深度学习（DL）架构、分析（如分类技术）和数据集的数量。Bellomo等人（Bellemo等人，2019）提出使用基于GAN的分类器来创建可用于合成数据库的视网膜眼底图像。Xie等人（Xie等人，2020）研究了5名阴性患者的RT-PCR结果。医生对所有患者进行了常规拭子检查，最终确诊为COVID 19。Wang等人（Wang等人，2020）创建了基于CXR图像的COVID 19检测算法，并发布了COVID-Net基准数据集，其中包 含 来 自 13 ， 870 名 患 者 的 13 ， 975 张 CXR 图 像 。 Alyasseri 等 人（Alyasseri等人，2021）研究了大量使用深度学习和机器学习的COVID19工作。他们回顾了过去对COVID 19的研究，并得出结论，CNN在很大程度上使用了深度学习方法。作者提供了拟议的学习不平衡的数据处理过程。在本研究中已经检测到自动系统（例如ML、DL和其他系统）在解决COVID 19相关流行病问题中的有用性（Nayak等人，2021和Ahmed等人，2021年）。本研究的主要目标是（i）理解智能方法对COVID 19大流行的相关性，以及（ii）探索这些方法在COVID 19预测中的功效和效果，（iii）COVID 19预测的各种ML和高级ML方法的演变，（iv）评估数据类型和数据性质的影响这项研究的作者（Mahesh等人，2021）创建了一个卷积神经网络模型，可以自动识别COVID和非COVID X射线。他们训练并测试了他们的模型，以区分COVID和正常图片。最后，他们的研究达到了95%的训练准确率和98%的验证准确率。根据研究结果在COVID 19检测研究中：（a）COVID 19的分割受影响图二、COVID19感染，死亡和恢复计划的总体情景。N. A-Alam等人智能系统与应用17（2023）2001824×××××（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COVID19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COVID19。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方法来确定图三. 我们的COVID 19检测框架。N. A-Alam等人智能系统与应用17（2023）2001825∑∑（2）见图4。 COVID 19和正常CT扫描图像的样本。图五. 在预处理阶段应用的图像变换。全局阈值可以将图像pi Xel划分为两个区域。然后在第二步中使用FFCM技术来构造数据集的隶属度矩阵，该隶属度矩阵将被迭代以找到聚类中心并提供分割的COVID 19图像。因此，混合快速模糊c-均值可能会产生更好的分割图像，其他技术做。改进的FFCM算法分为两个阶段。在第一阶段中，原始聚类中心被细化。OTSU方法确定可以将图像像素划分为两个区域的通用阈值。通过寻找每个位置中强度的最高频率，识别出前两个中心。OTSU引入了自动全局阈值技术（Otsu，1979）。图像函数f（X，y）由灰度级L表示，灰度级L为0、1、2图像的直方图表示图像亮度的分布。假设最佳阈值K可以将f（X，y）中的所有pixels分成两类，0≤K≤L-1。目标图像C1= {0，1，2，...，K}为1，而背景图像C2= {K，K+1. L-1是另一个。结果，灰度级K接近分布的谷的底部。如果i是灰度级pi X el，则n i是数字PIXEL，并且N是总PIXEL，则C1和C2的概率在等式1中表示。（3和4）如下：Kω1（K）=（1）i=0时L-1的ω2（K）=ni=1-ω1i=K+1C1和C2平均值计算如下：N. A-Alam等人智能系统与应用17（2023）2001826Bη（K）=σT=i=0时NVi=k=li乌伊克步骤9：检查生成的理想聚类数图六、 应用混合快速模糊c均值聚 类 后 的 图 像 说 明 。法μK∑K I ni1个（）=的（三）现有集群的最低比例。面积小于i=0时w16%通常会被剔除，因为它（Sahaphong和Hiransakolwong，2007年）。μ2K（∑L-1Ini（四）在实际使用中，ρ的取值应符合精度要求i=K+1w2图像f（X，y）要求. CT扫描图像的精度要求很高结果导致在我们的实验中，ρ的值被设置为0.03建议中的步骤混合FFCM算法如下：μ μL1∑L-1iniNw1（K）μ1+w2（K）μ2（五）步骤1：设置0.0001和m=2、最初T=（- ）=i=0=0w1（K）+w2（K）ε步骤2：创建两个主要群集σ2∑L-1（i-μT）2ni（六）第三步：使用等式（6和7）基于OTSU技术，计算初始中心vi，然后确定最高频率 强度两类之间的方差计算如下：σ2（K）=ω1（K）（μ1（K）-μT）2+ω2（K）（μ2（K）-μT）2（7）σ2值，并从最初的两个中心步骤4：重复步骤5第五步：借助下式计算初始隶属矩阵XU当量9.第九条。B2不∑hikpH（k）（八）（九）第6步：制作临时成员矩阵XU步骤7：使用（7），更新中心vi。步骤8：直到Vi+1-Vi≤ε或i= i+ 1，转到步骤5。∑hi up H（k）自动：k = liIk因此，每个灰度级的标准函数是η。当η达到最大值时，阈值K是最好的（Tsai，2007）。在第二步中，使用模糊聚类分析技术构造数据集的隶属度矩阵并找到聚类中心。我们通过将每个聚类中的像素相加并除以图片像素的数量来计算每个聚类的像素数量。当Per值小于ρ时，找到最优聚类，）=的=N. A-Alam等人智能系统与应用17（2023）2001827=参数ρ反映了聚类的计算每个值为：v i/2集群大小由下式给出：|v i|.图像中像素的总数为n。步骤10：停止处理其中iperρ，否则转到步骤7。<步骤11：增加集群数量。步骤12：设置新中心的起始值vi;然后转到步骤5。N. A-Alam等人智能系统与应用17（2023）2001828=p（x）p（y）=|x i ∈S，|xi∈ S,|x x i j∈ S，|xxij∈S,Contourlet变换特征Contourlet变换（CT）是Contourlet变换的离散扩展，其试图捕获曲线而不是点，并且包括各向异性和方向性。针对小波变换的局限性，引入Contourlet变换。在每个尺度上，它允许可变和弹性数量的方向，同时获得几乎关键的采样。轮廓波变换（CT）（Yang等人，2013年6月）涉及两个步骤：拉普拉斯金字塔分解和方向滤波器组。在拉普拉斯金字塔的每一层，下采样的低通版本 以及源图像与下采样低通图像之间的差，从而产生高通图像。图7描绘了拉普拉斯金字塔的结构， H和G分别表示分析和合成滤波器，M表示采样矩阵X。也就是说，当M对源信号X[n]进行下采样时，结果是XD[n]XD[Mn]。将构建迭代结构的下一级拉普拉斯金字塔可以链接到原始信号a的下采样低通版本。高频子带分解（DFB）用于创建具有各种方向的高频子带。图8示出了如何使用1级二叉树分解来容易地实现DFB，这导致具有楔形频率支持的21个子带。如图9所示，树形结构方向滤波器组可以调整频率支持的方向性。Contourlet变换可以通过将导出的拉普拉斯金字塔与方向滤波器组相结合来实现-Contourlet变换结构如图所示。 10个。Contourlet变换在二维CT扫描图像上正常工作。在这项工作中，我们发现了16个多方向多尺度图像使用四级CT与这项工作计算了13个准确的特征，包括同质性，熵，能量，相关性，和另一个从分割的图像，通过计算的灰度共生矩阵（GLCM）的每一个图像。轮廓波变换（CT）图像比小波处理的图像能更好地捕捉图像中的基于CNN的特征对于特征提取，该系统采用基准VGG19 CNN模型（Wu等人，2020年），它优于其他CNN模型，包括AlexNet，GoogleNet，ResNet50和其他我们提出的数据集。这个VGG19 CNN模型是使用十九层版本的VGGNet制作的。图11显示了VGG19模型采用非线性ReLU作为总共16个卷积层输出的激活函数。五个连续的最大池化层将整个卷积部分划分为五个子区域。深度尺寸分别为64和128的两个卷积层存在于第一和第二子区域中。其他三个子区域中的每一个由深度大小为256、512和514的四个连续卷积层组成。512. 在这种情况下，选择大小为33的卷积核我们的VGG19模型在输出层之前，安装具有特征1024和4096的两个完全连接的层最后，我们有CNN模型的第二个全连接层，具有4096个特征。图8.第八条。 带通定向子带的结构。见图9。 方向滤波器组的树形结构。从融合特征生成优化特征向量从轮廓波变换和CNN特征提取器检索的特征被组合以生成融合特征向量。如前所述，重叠、冗余和尺寸增加是所有基于融合的技术中的共同缺点（Zhang等人， 2020年）。这就需要消除不相干的特征，以获得最佳的特征。为此，诸如PCA（Nandi等人，2015）、mRMR（Peng et al.，2005年）或溴化二苯醚。对于我们的数据集，我们测试了三种方法，发现BED表现最好（表4）。下面是各种技术的快速总结。在mRMR特征选择算法中，x和y变量的相互依赖性可以使用等式2来确定。(10)从p（X），p（y）和p（X，y），这里p（X），p（y）和p（X，y）是概率密度函数。I（x，y）=p（x，y）logp（x，y）dxdy（10）当量(11) 近似X表示最大相关性D（S，c），其中xi是所有相互依赖性的平均值，c是类。因此，由等式（1）表示的函数R（S）是(12)可用于添加最小冗余。这里S是特征组合。max D（S，c）=1∑I.十一、c）（11）最大R（S）=12∑I. xi，xj）（12）在PCA算法中，确定特征的协方差以在以下等式Eq. （十三）、我们选择N. A-Alam等人智能系统与应用17（2023）2001829见图7。 拉普拉斯金字塔的结构N. A-Alam等人智能系统与应用17（2023）20018210图10个。 Contourlet变换特征提取方法的总体结构。图十一岁 我们提出的 VGG19的图形结构。重要功能从所有功能遵循此程序。首先ρ∑N （Xi-X）（Yi-Y）（十三）通过协方差矩阵确定特征之间的关系。通过对协方差矩阵X的特征分解，得到特征值，=1=1n-1向量和特征值。然后，我们使用特征向量将数据转换为主成分。最后，利用特征值，保留重要的主成分。应用这种PCA方法后，我们得到了1135个主成分。因此，微分方程（DE）的创建是为了解决连续优化问题，而不是特征选择的挑战。为了解决特征选择问题，需要DE的二进制版本。二进制差分进化（BDE）最近被建议作为一个解决方案的功能选择的挑战。二进制差分评估特征选择技术是一种N. A-Alam等人智能系统与应用17（2023）20018211u1D=i=12K{静音矢量 ，如果y ≤ CR|D|D =dK∑××{启发式优化特征选择策略，减少了连续性问题。二元差分进化是一种简单、有效、基本的特征选择技术。突变、交叉和选择是它的三个基本操作原则。首先，BDE随机产生D维问题的基本种群，其中D是需要优化的特征的总量。 在整个突变阶段，三个随机向量Pu1，为向量Pk选择Pu2和Pu3，使得u1=scinu2scinu=u3=scink，其中k表示向量的总体阶数，d表示向量的维数。如果矢量Pu1和Pu2的第d个维度相等，则差矢量的第d个特征（等式10）可以是：（14）为零。否则，与矢量Pu1的值相同。集成分类器我们使用了集成分类器方法（Rokach，2010），它结合了不同分类器的投票。为了创建预测分类器，通常使用五个集成分类器：提升、堆叠、随机注入、投票和自举聚合（El-Melegy等人，2019年）。实验中采用了集成分类器为了测试利用优化的最佳特征向量的分类效率，采用三种不同类型的分类器作为基础分类器：KNN，SVM和Logistic回归（LR）。之所以选择这三个基本分类器，是因为它们通常优于其他机器学习技术。猫-通过集成方法对任何新实例的确定都是基于差矢量0，Pd==Pu2（14）个别分类器的多数票。 每个基地kPu1，其他分类器被视为投票，其中“v= 1”用于COVID 19类，然后，执行交叉和变异过程“v0”表示非COVID 19类别。具有最高票数的基本分类器选择如下面的等式所示。{1，如果不同向量d= 1}Ku3集合决策类，这意味着（如果∑nv>n），如等式（1）所示。静音矢量d=Wd=KPd，其他DKPd，其他随机的}（十五）（十六）（17）.nEnhancement Class=v（17）i=1其中n表示基本分类器的总数这里，W表示试验向量，P表示向量，d是搜索空间维度，CRε（0，1）是交叉量，并且drand表示具有1到D的范围的随机生成的特征索引。y表示0 ~ 1的随机数，如果尝试向量Wk的适应度值大于当前向量Pk，则在选择阶段将其替换。以不同的方式，保存当前向量P k以用于下一代。在特征选择过程中，如果试验向量的适应度值较高，则替换当前向量。否则，当前向量将保留用于下一代。一些深度学习应用程序使用数据融合。图12示出了从融合特征向量优化特征特征融合可以融合多个特征向量。特征向量为14096和113由两个特征提取器提供Contourlet变换（CT）和CNN特征（Alazab等人，2020）然后与4109个特征组合。其中，“1”表示选择了特征，并且“所有选择的特征”表示该特征是根据等式（1）的最佳特征子集的一部分。(15).基于二进制差分评价特征选择技术，从4109个特征中选择了1300个基于评分的特征分类器被馈送最终选择的特征，以产生检测COVID 19图像的分类模型。在图13中，E1、E2和E3分别描绘了SVM、LR和KNN基本分类器。同样，P1、P2和P3表示它们所代表的选票。然后，最终的分类输出使用等式P1、P2和P3组合投票P1、P2和P3。（17）根据多数票产生预期类别。为了训练基本分类器，训练数据集被分成三个子集D1，D2和D3，然后在训练后进行测试。4. 实验结果我们有一个双标签（COVID 19或非COVID 19）分类问题。整个数据集在训练和测试阶段随机划分为80：20。测试和训练操作在MATLAB R2021a中在具有Intel Core i9、3.14 GHz处理器和16 GBRAM的计算机上完成使用GEFORCE RTX 2070超级GPU配置计算实验时 间 。 我 们 使 用 了 三 个标 准 数 据 集 ，包 括 SARS-CoV-2 CT 扫 描（ Angelov 和 Soares ， 2020 ） 、 COVID 19 CT 图 像 （ Zhao 等 人 ，2020）和学术洪流（Morozov等人， 2020）数据集，其中包括两个COVID 19序列：COVID 19和非COVID 19。我们使用了来自SARS-CoV-2 CT扫描的1252张COVID 19和1230张非COVID 19图像见图12。 融合特征的特征选择过程。DN. A-Alam等人智能系统与应用17（2023）20018210（）=的（）=的×-×图13岁集成分类器中使用的Bagging方法。（Angelov和Soares，2020），来自COVID 19 CT图像的1558张COVID 19和4826张非COVID 19图像（Zhao等人， 2020）和1200 COVID 19 1341非COVID 19从学术洪流数据集（Moro-zov等人，2020年，这些实验。因此，在三个有价值的数据集中有4010张COVID 19图像和7397张非COVID 19图像。用于开发COVID 19检测框架的数据分布见表1a。我们使用准确度（ACC）、特异性（SP）、灵敏度（SE）、精密度（PR）和马修斯相关系数（MCC）矩阵评估了建议的系统性能，使用等式中给出的混淆矩阵测量。18比22产生了很好的图像，物体可以从背景中分离出来。该系统已经建立了一个混合的快速模糊c-均值分割方法，提供了更好的性能从另一个分割方法的评价指标PSNR（峰值信噪比），SSIM（结构相似性指数），和RMSE（均方根误差）分数的措施。表1b显示了每个样本的不同分割方法。PSNR、SSIM和RMSE值越高，分割方法将提供最佳输出。在该表8中，我们得到了混合快速模糊c均值分割方法的更高的PSNR、SSIM和RMSE值。因此，我们的修改后的快速模糊c均值方法提供了一个精度（ACC）=TP+TN（18）TP+TN+FP+FN从现有方法中获得更好的输出。我们使用了基于CNN的不同特征提取方法（VGG16，GoogleNet，AlexNet和Resnet50），并比较了性能。特异性SPTNTN+FP灵敏度SETPTP+FNTP（十九）（二十）曼斯基于CNN的VGG19模型作为特征提取器比其他模型表现更好。表2显示了我们的研究使用不同的基于预训练CNN的特征提取器模型的性能修正。对于每个基于CNN的特征提取器模型使用不同的超参数，该实验试图通过改变学习参数和历元来获得最佳结果。表2显示了精密度（PR）=TP+FP（21）最佳特征提取器结果之间的比较。根据对多个预处理的样本实验，VGG19是最好的深度特征提取器MCC=TPTNFPFN√̅(T̅P̅+̅F̅ P̅)̅(̅T̅P̅ +F（二十二）训练模型在总共35个完整的epoch之后，使用VGG19模型的第二个全连接层来收集特征。另外，基于预训练CNN的VGG19模型特征设计用于在早期检测COVID 19的计算机辅助诊断（CAD）系统中最重要的步骤是CT扫描图像分割（Atiyah等人，2018年）。为了对医学图像进行异常诊断，图像分割被广泛应用于医学图像领域.相同医学图像的手动分割是可能的。与人工分割相比，利用分割算法进行图像分割具有更高的精度。原始FCM算法（Caldairou等人，2011）对于分割无噪声图像效果很好，但它无法分割具有噪声、异常值或其他成像伪影的图像。本文采用混合快速模糊c均值（HFFCM）方法对图像进行分割.通过整合地理邻域信息和改变每个类的隶属度权重，对混合快速模糊c均值（HFFCM）分割方法的目标进行更新，以降低同质性强度。提出的分割算法具有以下优点：（a）传播更多的同质区域比其他旧的模糊c均值算法，（b）管理噪声点和（c）它的相对较少的敏感噪声。这些技术表1a用于培训、测试的数据分发。数据集COVID 19 Non-COVID 19使用Contourlet变换与提取的特征合并。当与深度CNN连接时，Contourlet变换的融合表现出比SIFT和（Wang et al.， 2013）和HOG（Afshar等人，2021年）的特点。表3示出了利用Contourlet变换、SIFT和HOG特征描述符的比较分析结果。最后，将VGG19特征的特征向量与Contourlet变换特征相结合进行特征约简。实验采用PCA、mRMR和BDE三种不同的特征选择方法对优化结果进行了评价。当仅考虑不相关特征而不是处理来自mRMR和PCA的互信息特征时，结果是优越的。BDE是集成链接特征的合适的特征选择方法。表3展示了生成结果的总体性能表1b比较不同分割方法的性能。分割方法PSNR SSIM RMSE以美元为基础的28.79 0.7904 0.2790分水岭c平均聚类32.57 0.8633 0.2615快速c均值聚类33.89 0.9089 0.2643培训3,2225,935K-means方法34.78 0.9073 0.2641测试7881,462混合快速模糊c均值方法（我们的36.17 0.9179总4,0107,397拟议）N. A-Alam等人智能系统与应用17（2023）2