ارزیابی میزان درگیری ریوی بیماران کرونایی در تصاویر سی تی اسکن قفسه سینه با استفاده از الگوریتم تکامل تفاضلی خود تطبیق چند هدفه

با فراگیری بیماری کرونا در سراسر دنیا در طول یک سال گذشته، استفاده از تکنیک های پردازش تصویر و الگوریتم های هوش مصنوعی جهت آنالیز تصاویر سی تی 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 می گردد. بیشترین تحقیقات در این حوزه، به مقالات مبتنی بر روش های یادگیری عمیق با بکارگیری شبکه های عصبی کانولوشن اختصاص داشته، که عمدتا به موضوع غربال گری 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 می گردد. 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 می سازند. 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.