ارایه مدل های هایبریدی مبتنی بر فازی و الگوریتم های هوش جمعی مبتنی بر یادگیری تجربی جهت شناسایی تومورهای سینه بر اساس تحلیل تصاویر ماموگرافی
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 336
This Paper With 24 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-12-1_008
تاریخ نمایه سازی: 24 فروردین 1400
Abstract:
در این پژوهش، روش هوشمند فازی جهت تشخیص و مدیریت عدم قطعیت در ویژگیهای ورودی جهت شناسایی تومورهای سینه ارائه شده است. مدلهای هایبریدی فازی- تکاملی به منظور افزایش کارایی سیستم و بهینه سازی نتایج استفاده شده است. هدف استفاده از مدلهای مبتنی بر محاسبات نرم تشخیص نوع تودههای سینه براساس تحلیل ویژگیها در تصاویر ماموگرافی است. مدلهای ترکیبی پیشنهاد شده در این پژوهش شامل فازی- مبتنی بر آموزش و یادگیری، فازی- بهینه سازی ازدحام ذرات و فازی- مبتنی بر آموزش و یادگیری است. از تحلیل منحنی مشخصه عملکرد سیستم جهت سنجش کارایی سیستم استفاده شده است. همچنین از روش اعتبار سنجی تقاطعی 10 بخشی جهت تقسیم بندی دادهها به بخشهای آموزش و تست استفاده شده است. روش جدید هایبریدی فازی- مبتنی بر آموزش و یادگیری- ازدحام ذرات ارایه شده، جهت تشخیص سرطان سینه، عملکرد بالاتری نسبت به روش های موجود داشته است. با مقایسهی عملکرد مدلهای هایبریدی پیشنهادی در این پژوهش، روش هایبریدی فازی- مبتنی بر آموزش و یادگیری- ازدحام ذرات با میزان صحت96/27% از عملکرد بهینهتری نسبت به روشهای پیشنهادی دیگر جهت تشخیص سرطان سینه است. نتایج حاصل از این پژوهش میتواند به منظور تشخیص به موقع و ارائهی درمانهای مؤثر امید بخش باشد.
Keywords:
Authors
الناز خدادادی
کارشناس ارشد، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
راحیل حسینی
استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
مهدی مزینانی
استادیار، گروه مهندسی برق، دانشکده فنی و مهندسی، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :