Enhancing Medical Signal Using Wavelet Transform and Artificiel Intelligence

Abstract

تم استخدام التحويل الموجي والذكاء الاصطناعي في مجموعة واسعة من التطبيقات. في مجال الإشارات الطبية، تم توظيفهما في مهام متعددة مثل استخراج الخصائص، والتصنيف، والتقسيم. في هذا العمل، نقترح نموذجين لتصنيف أورام الدماغ انطلاقًا من صور الرنين المغناطيسي. يعتمد النموذج الأول على مصنف SVM متعدد لتصنيف صور الرنين المغناطيسي إلى أربع فئات، وهي الورم الدبقي، والورم السحائي، والورم النخامي، وعدم وجود ورم. يجمع هذا النموذج بين التحويل الموجي غير المضمحل لاستخراج المعلومات الترددية والزمنية، يليه استخراج الخصائص باستخدام النموذج المدرب مسبقًا EfficientNet-B0. يتم تطبيق تحليل المكونات الرئيسية (PCA) لاختيار الخصائص، ويُدرّب مصنف SVM متعدد بناءً على هذه الخصائص، مستفيدًا من المعلومات الترددية والمكانية لصور الرنين المغناطيسي، مما يسمح بتحقيق دقة تصنيف عالية. أما النموذج الثاني فيستخدم دمج تحويل الموجة الساكنة (SWT) للمعالجة المسبقة، وResNet50V2 لاستخراج الخصائص، وشبكة الذاكرة طويلة وقصيرة المدى (LSTM) للتصنيف. تبدأ مرحلة المعالجة المسبقة بتحويل SWT، حيث يتم تحليل الصور إلى عدة نطاقات ترددية لتعزيز الخصائص المرتبطة بالورم وتقليل الضجيج. ثم يتم تغيير حجم الصور إلى 224×224 بكسل لتتوافق مع نموذج ResNet50V2. يُستخدم ResNet50V2 لاستخراج الخصائص، والتي تُمرّر بعد ذلك إلى شبكة LSTM لتصنيفها إلى أربع فئات، وهي الورم الدبقي، والورم السحائي، والورم النخامي، وعدم وجود ورم. وقد أثبتت الطريقة المقترحة فعاليتها في تحقيق دقة تصنيف عالية. تم تقييم النماذج المقترحة باستخدام مقاييس الأداء، بما في ذلك الدقة، ومقياس F1، والاستدعاء، والضبط، وذلك على مجموعة بيانات من Kaggle، كما تمت مقارنة النتائج المحصل عليها مع بعض الطرق الحديثة. Wavelet transform and artificial intelligence have been applied to a wide range of problems. In medical signals, they have been used in many tasks such as feature extraction, classification and segmentation. In this work, we propose two models for brain tumor classification from MR images. The first model uses a multi-SVM classifier to classify MR images into 4 classes (glioma, meningioma, pituitary, no tumor). The model combines the undecimated wavelet transform to extract both frequency and temporal information, followed by feature extraction using a pretrained EfficientNet-B0 model. Principal Component Analysis (PCA) is applied for feature selection. The multi-SVM classifier is trained based on these features, making use of the frequency and spatial information of the MR images, allowing for high accuracy. The second model uses the integration of Stationary Wavelet Transform (SWT) for preprocessing, ResNet50V2 for feature extraction, and Long Short-Term Memory (LSTM) for classification. The preprocessing phase started with Stationary Wavelet Transform (SWT), which decomposed the images into multiple frequency bands to enhance tumor-related features while reducing noise. The images were then resized to 224×224 pixels to ensure compatibility with the ResNet50V2 model. Feature extraction was performed using ResNet50V2, and the extracted features were then passed to a Long Short-Term Memory (LSTM) network for classification into four categories: Glioma, Meningioma, Pituitary, and No Tumor. The proposed method was effective in producing a high classification accuracy rate. The proposed models are evaluated using performance metrics including accuracy, F1 score, recall and precision, on a dataset from Kaggle. The results obtained are compared with some modern methods.

La transformée en ondelettes et l'intelligence artificielle ont été appliquées à un large éventail de problèmes. Dans le domaine des signaux médicaux, elles ont été utilisées dans de nombreuses tâches telles que l'extraction de caractéristiques, la classification et la segmentation. Dans ce travail, nous proposons deux modèles pour la classification des tumeurs cérébrales à partir d'images IRM. Le premier modèle utilise un classifieur multi-SVM pour classer les images IRM en quatre classes (gliome, méningiome, tumeur hypophysaire, absence de tumeur). Il combine la transformée en ondelettes non décimée, afin d'extraire à la fois l'information fréquentielle et temporelle, suivie d'une extraction de caractéristiques à l'aide du modèle pré-entraîné EfficientNet-B0. L'analyse en composantes principales (ACP) est appliquée pour la sélection des caractéristiques. Le classifieur multi-SVM est entraîné sur ces caractéristiques, en tirant parti de l'information fréquentielle et spatiale des images IRM, ce qui permet d'obtenir une grande précision. Le second modèle intègre la transformée en ondelettes stationnaire (SWT) pour le prétraitement, ResNet50V2 pour l'extraction de caractéristiques et un réseau à mémoire à long et court terme (LSTM) pour la classification. La phase de prétraitement débute par la SWT, qui décompose les images en plusieurs bandes de fréquences afin de renforcer les caractéristiques liées à la tumeur tout en réduisant le bruit. Les images sont ensuite redimensionnées à 224×224 pixels afin d'assurer la compatibilité avec le modèle ResNet50V2. L'extraction des caractéristiques est réalisée avec ResNet50V2, puis les caractéristiques extraites sont transmises à un réseau LSTM pour la classification en quatre catégories : gliome, méningiome, tumeur hypophysaire et absence de tumeur. La méthode proposée s'est révélée efficace, avec un taux de précision de classification élevé. Les modèles proposés sont évalués à l'aide de métriques de performance, notamment l'exactitude, le score F1, le rappel et la précision, sur un jeu de données provenant de Kaggle. Les résultats obtenus sont comparés à ceux de certaines méthodes récentes.