اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتقطيع المؤتمت للمناطق المصابة في صور طبقي محوري للصدر لمرضى الكورونا COVID-19 باستخدام مصنف بايز الغاوصي المراقب
Automated Segmentation of Infected Regions in Chest CT Images of COVID-19 Patients using Supervised Naïve Gaussian Bayes Classifier
887
0 0
0.0
(
0
)
نشر من قبل
جامعة تشرين ورقة بحثية
تاريخ النشر
2020
مجال البحث
الهندسة المعلوماتية
والبحث باللغة
العربية
تأليف
إياد حاتم( باحث )
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
استخدمت في هذه الورقة مائة صورة من تصوير مقطع محوسب للصدر لمرضى الكورونا لبناء واختبار مصنف بايز الغوصي لتمييز النسج الطبيعية من النسج الغير طبيعية. قسمت المناطق المصابة في هذه الصور يدويا بواسطة اخصائي اشعة خبير. أجريت عملية استخراج قيمة البكسل الرمادية والانتروبيا المحلية وقيم الهستوغرام للتدرجات الموجهة كميزات لتصنيف صور الانسجة. استنادا إلى تجارب تصنيف ذات خمس طيات، وصلت درجة دقة المصنف إلى حوالي 79.94%. كان التصنيف أكثر دقة (٨٥٪) في التعرف على الأنسجة الطبيعية من الأنسجة غير الطبيعية (٦٣٪). كانت أيضا الفعالية في تحديد المناطق أكثر وضوحاً في الأنسجة غير الطبيعية.
In this paper, one hundred chest Computed Tomography images of COVID-19 patients were used to build and test Naïve Gaussian Bayes classifier for discriminating normal from abnormal tissues. Infected areas in these images were manually segmented by an expert radiologist. Pixel grey value, local entropy and Histograms of Oriented Gradients HOG were extracted as features for tissue image classification. Based on five-folds classification experiments, the accuracy score of the classifier in this fold reached around 79.94%. Classification was more precise (85%) in recognizing normal tissue than abnormal tissue (63%). The effectiveness in identifying positive labels was also more evident with normal tissue than the abnormal one.
المراجع المستخدمة
Marina Sokolova, Guy Lapalme, A systematic analysis of performance measures for classification tasks, Information Processing & Management, Volume 45, Issue 4, 2009, Pages 427-437, ISSN 0306-4573
Danny Petschke, Torsten E.M. Staab, A supervised machine learning approach using NaiveGaussian Bayes classification for shape-sensitive detector pulse discrimination in positron annihilation lifetime spectroscopy (PALS), Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, Volume 947, 2019, 162742, ISSN 0168-9002
X. Zhang, F. An, I. Nakashima, A. Luo, L. Chen, I. Ishii, H.J. Mattausch, A hardware-oriented histogram of oriented gradients algorithm and its VLSI implementation, Japanese Journal of Applied Physics, 56 (2017) 04CF01
قيم البحث
اقرأ أيضاً
بصرف النظر عن نجاح نهج تعلم النطاق المختلط في مجال التعلم العميق لحل المهام المختلفة لمعالجة اللغة الطبيعية، فإنه لا يقرض حل جماعيا للكشف عن المعلومات الخاطئة من بيانات وسائل التواصل الاجتماعي CovID-19. نظرا للتعقيد المتأصل من هذا النوع من البيانات،
الناجمة عن ديناميك (سياقه يتطور بسرعة)، ذات الطابع الدقيق (أنواع الخائن غير غامضة في كثير من الأحيان)، ومتنوعة (الفئات المنحيحة، المحبوسة والتداخل) الطبيعة، من الضروري نموذج فعال لالتقاط كل من السياق المحلي والعالمي للمجال المستهدف. من خلال إجراء تحقيق منهجي، نظهر أن: (1) النماذج المدربة مسبقا مسبقا للمحولات العميقة، المستخدمة عبر تعلم نقل المجال المختلط، جيدة فقط في التقاط السياق المحلي، وبالتالي تظهر تعميم ضعيف، و (2) يمكن أن يستخرج مزيج من النماذج الضحلة المستندة إلى الشبكة والشبكات العصبية التنافسية السياق محليا بالإضافة إلى السياق بشكل فعال بالإضافة إلى البيانات المستهدفة بطريقة هرمية بطريقة هرمية، مما يتيح من تقديم حل أكثر تعميما.
وقد رافق انتشار Covid-19 بمعلومات مفاجئة واسعة النطاق بشأن وسائل التواصل الاجتماعي.على وجه الخصوص، شهد Twittercrive زيادة كبيرة في نشر الحقائق والأرقام المشوهة.يهدف هذا العمل الحالي إلى تحديد تغريدات بشأن CovID-19 التي تحتوي على معلومات ضارة وخاطئة.ل
قد جربنا عددا من النماذج التعلم العميقة، بما في ذلك تضمين كلمة مختلفة، مثل القفازات، إلمو، من بين أمور أخرى.حقق نموذج Bertweet أفضل درجة F1 بشكل عام من 0.881 وأمنت المرتبة الثالثة على المهمة المذكورة أعلاه.
تقدم هذه الورقة النتائج الأولية للمشروع الجاري الذي يحلل الجسم المتنامي للبحث العلمي الذي نشر حول جائحة CovID-19.في هذا البحث، يتم استخدام نموذج دلالي للأغراض العامة لتعليق دفعة من 500 جمل تم اختيارها يدويا من Cord-19 Corpus.بعد ذلك، تم تصميم وتقييم
خط أنابيب تعدين النص الأساسي من خلال مجموعة كبيرة من جمل 100،959.نقدم تحليلا نوعيا للحقائق الأكثر إثارة للاهتمام استخراجها تلقائيا وتسليط الضوء على خطوط التنمية المستقبلية المحتملة.تظهر النتائج الأولية أن النماذج الدلالية للأغراض العامة هي أداة مفيدة لاكتشاف معرفة غرامة المحبوس في كورسا الوثائق العلمية الكبيرة.
نقدم لوحة معلومات أخبار Covid-19 التي تصور المعنويات في تغطية أخبار الوباء بلغات مختلفة في جميع أنحاء أوروبا.تظهر لوحة القيادة تحليلات للمشاعر الإيجابية / المحايدة / السلبية والمشاعر الأخلاقية للمقالات الإخبارية عبر البلدان واللغات.أولا نحن نستخمل مق
الات الأخبار من الأخبار الزحف.ثم نستخدم نموذج بيرت متعدد اللغات مدرب مسبقا لتحليل المعنويات عناوين المقالات الإخبارية ومؤسسات القاموس وناهف الكلمة - طريقة تحليل المعنويات الأخلاقية للمقالات الإخبارية.يعطي لوحة القيادة الناتجة نظرة عامة موحدة على أحداث الأخبار حول المشاعر الإجمالية Covid-19 News، ومنطقة ولغة النشر من الفترة التي تبدأ من بداية يناير 2020 إلى نهاية يناير 2021.
في هذه الورقة، نقدم مجموعة بيانات Arcov-19، وهي مجموعة بيانات عربية Covid-19 Twitter التي تمتد لمدة عام واحد، تغطي الفترة من 27 يناير 2020 حتى 31 يناير 2021. Arcov-19 هي أول مجموعة بيانات عربية تويتر العربية التي تغطي كوفي -19 الوباء يتضمن حوالي 2.7
مليون تغريدات إلى جانب شبكات الانتشار الفرعية الأكثر شعبية منهم (أي معاد تغريدها ومعاد تغريدها). تشمل شبكات الانتشار كلا من إعادة تغريد مؤشرات الترابط المحادثة (I.E.، خيوط الردود). تم تصميم Arcov-19 لتمكين البحث بموجب عدة مجالات بما في ذلك معالجة اللغة الطبيعية واسترجاع المعلومات والحوسبة الاجتماعية. يوضح التحليل الأولي أن ARCOV-19 يلتقط المناقشات المتصاعدة المرتبطة بأول حالات المرض المبلغ عنها حيث ظهرت في العالم العربي. بالإضافة إلى التغريدات المصدر وشبكات الانتشار، نطلق أيضا استعلامات البحث والزاحف المستقلة للغة تستخدم لجمع التغريدات لتشجيع علمن مجموعات البيانات مماثلة.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
