بهبود کاهش نویز، تقطیع و طبقه بندی توده های سرطان توسط فیلتر تطبیقی معکوس کوانتومی، عنکبوت اجتماعی و ELM بهبود یافته
Publish place: Soft Computing Journal، Vol: 10، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 140
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_SCJKA-10-1_005
تاریخ نمایه سازی: 28 اسفند 1401
Abstract:
سیستم های تشخیص هوشمند پزشکی امروزه به لطف هوش مصنوعی، دچار تغییرات و همچنین چالش هایی شده اند. یکی از این سیستم های هوشمند پزشکی، سیستم های تشخیص و طبقه بندی توده های سرطانی از نواحی سینه می باشد. تشخیص زودهنگام می تواند منجر به افزایش گزینه های درمانی شود. انواع تکنیک های غربالگری برای سرطان سینه مانند ماموگرافی، MRI و التراساند وجود دارد. بسته به روش تشخیص نوع توده های سرطانی، از هرکدام از این تصاویر استفاده شده و تکنیک های پردازشی متفاوتی برای آنها ارائه شده است. این تحقیق به استفاده از مجموعه داده های ماموگرافی MIAS می پردازد و بر اساس اصول پردازش تصویر و یادگیری ماشین، سعی در تشخیص و طبقه بندی توده های خوش خیم، بدخیم و مشکوک را دارد. لذا به ارائه یک رویکرد تکامل یافته می پردازد، بدین صورت که در ابتدا عملیات پیش پردازش با هدف کاهش نویز و بهسازی تصویر مبتنی بر روش پیشنهادی Quantum Inverse MFT انجام می شود و سپس بر اساس شدت روشنایی و لبه، عملیات تقطیع تصویر با استفاده از الگوریتم عنکبوت اجتماعی صورت می گیرد. در ادامه عملیات استخراج ویژگی ها و طبقه بندی با هدف تشخیص نوع توده های سرطانی، با روش Extereme Learning Machine و مدل توسعه یافته آن یعنی Moore Penrose Matrix - Extereme Learning Machine انجام می شود. نتایج تحقیق نشان می دهد که رویکرد پیشنهادی از لحاظ معیارهای ارزیابی همچون دقت، حساسیت، نرخ ویژگی ها و همین طور ROC و AUC نسبت به روش های پیشین دارای برتری عملکردی است.
Keywords:
Authors
محسن افتخاریان
گروه کامپیوتر، واحد گرگان، دانشگاه آزاداسلامی، گرگان، ایران.
علی نودهی
گروه کامپیوتر، واحد گرگان، دانشگاه آزاداسلامی، گرگان، ایران.
رسول عنایتی فر
گروه کامپیوتر، واحد فیروزکوه، دانشگاه آزاد اسلامی، فیروزکوه، 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 :