Advanced COVID-19 CT Image Segmentation Using a Hybrid Undecimated Wavelet Transform, Fuzzy Clustering, and Anisotropic Diffusion Approach
Notice bibliographique
Résumé
Early detection of Coronavirus Disease 2019 , an infectious disease caused by the SARS-CoV-2 virus, is crucial in minimizing the risk of mortality and limiting its spread, particularly among asymptomatic individuals.Computed tomography (CT) scans of the chest are commonly employed for diagnosing this condition, necessitating the development of segmentation techniques for analyzing these images effectively.However, segmenting COVID-19 CT images poses considerable challenges due to the indistinct boundaries between gray and white matter, as well as the homogeneous and ambiguous structures within the regions.To address these issues, we propose a hybrid approach that combines Undecimated Wavelet Transform (UWT), Fuzzy Clustering (FC), and Anisotropic Diffusion Filter (ADF).Our method involves utilizing UWT to denoise CT images in the frequency domain, followed by an advanced fuzzy clustering technique based on texture features and local gray value entropy for autonomous segmentation of CT images.The segmented images are then processed with ADF to eliminate uncertainty and noise.The performance of our proposed method was evaluated visually and through similarity measurements using an open-source dataset.A comparative analysis with alternative segmentation methods was conducted using multiple metrics, including Dice, Jaccard, Precision, Accuracy, Sensitivity, F-measure, MCC, and Specificity.Our results demonstrate that the proposed hybrid approach significantly enhances the detection of COVID-19 from CT images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».