RT - Journal Article T1 - Evaluation of Lung Involvement in Patients with Coronavirus Disease from Chest CT Images Using Multi-Objective Self-Adaptive Differential Evolution Approach JF - joc-isice YR - 2021 JO - joc-isice VO - 14 IS - 5 UR - http://joc.kntu.ac.ir/article-1-832-fa.html SP - 1 EP - 14 K1 - COVID-19 K1 - lung involvement K1 - chest X-ray images K1 - image processing K1 - multi-objective self-adaptive differential evolution algorithm. AB - با فراگیری بیماری کرونا در سراسر دنیا در طول یک­سال گذشته، استفاده از تکنیک ­های پردازش تصویر و الگوریتم ­های هوش مصنوعی جهت آنالیز تصاویر سی­تی ­اسکن (CXR) قفسه سینه بیماران مبتلا به کووید-19ضرورت یافته است. تعیین درصد پیشرفت و گسترش ویروس کووید-19در ناحیه ریه شخص بیمار یکی از نیازمندی­ های اساسی و ضروری مراکز بستری بیماران کرونایی محسوب می­گردد. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش­های یادگیری عمیق با بکارگیری شبکه ­های عصبی کانولوشن اختصاص داشته، که عمدتا به موضوع غربال­گری افراد بیمار و سالم می ­پردازند. در این میان تعداد معدودی از مقالات به موضوع تعیین درصد درگیری ریوی و پیشرفت ویروس در بیماران کرونایی بر اساس تصاویر CXR پرداخته ­اند. عدم شکل­ گیری بانک­ های اطلاعات تصاویر منسجم با اطلاعات یکپارچه و جامع یکی از معضلات اصلی در این حوزه محسوب می­گردد. تعیین میزان درگیری ریوی مبتلایان به بیماری، بر اساس تصاویر متفاوت CXR در روزهای متوالی، دارای معضلات و مشکلات خاص خود از جمله تفاوت در ابعاد، شدت روشنایی، میزان دوز و زاویه تابش اشعه در این تصاویر بوده که بکارگیری یک فیلتر تفاضل­ گیر ساده روی داده ­های دو تصویر را غیرممکن می­سازند. بکارگیری یک روش بهینه­ سازی خود تطبیق با ماهیت تفاضلی و چند هدفه می­ تواند دقت و صحت کار را افزایش و زمان تحلیل را کاهش دهد. LA eng UL http://joc.kntu.ac.ir/article-1-832-fa.html M3 10.52547/joc.14.5.1 ER -