ارائه مدل های محاسبات نرم مبتنی بر فازی، تکاملی و هوش جمعی در تحلیل تصاویر ماموگرافی جهت تشخیص تومور های سینه

مدل های محاسبات نرم مبتنی بر سامانه های هوشمند فازی درتشخیص سرطان سینه، امکان مدیریت عدم قطعیت در فرایند استدلال در سامانه را فراهم می کند.در این پژوهش، یک مدل استنتاج فازی به منظور مدیریت عدم قطعیت در داده های ورودی طراحی شده است و الگوریتم های هایبریدی مبتنی بر فازی جهت تنظیم و بهینه سازی پارامتر ها، به کار برده شده اند. هدف، ارائه روش های موثر جهت تشخیص نوع توده های خوش خیم، بدخیم و نرمال سینه است. طبقه بندی توده ها جهت تشخیص موارد نرمال، خوش خیم و بدخیم با مدل های هایبریدی محاسبات نرم و بر اساس تحلیل ویژگی ها در تصاویر ماموگرافی انجام شده است. الگوریتم های هایبریدی ارایه شده در این پژوهش شامل1) فازی- ژنتیک، 2) فازی- بهینه سازی ازدحام ذرات و 3) فازی- بهینه سازی مبتنی بر جغرافیای زیستی است. به منظور سنجش عملکرد سامانه از تحلیل منحنی مشخصه(ROC)و همچنین از روش اعتبار سنجی تقاطعی ده بخشی جهت تقسیم بندی داده ها به بخش های آموزش و آزمون برای به دست آوردن نتایج قابل اعتماد و اعتبار سنجی استفاده شده است. نوآوری پژوهش حاضر در ارایه مدل پیشنهادی هایبریدی فازی- بهینه سازی مبتنی بر جغرافیای زیستی و بهبود عملکرد مدل طبقه بندی جهت تشخیص سرطان سینه است. روش جدید هایبریدی فازی- بهینه سازی مبتنی بر جغرافیای زیستی ارایه شده به منظور تشخیص سرطان سینه در این پژوهش، عملکرد بالاتری نسبت به روش های موجود بر روی این بانک اطلاعاتی معتبر و معروف جهت تشخیص سرطان سینه داشته است. باتوجه به نتایج به دست آمده و مقایسه عملکرد مدل های هایبریدی پیشنهادی در این پژوهش، روش هایبریدی فازی مبتنی بر جغرافیای زیستی با میزان صحت 25/95% از عملکرد بهینه تری نسبت به روش های هایبریدی پیشنهادی دیگر جهت تشخیص سرطان سینه برخوردار است. مدل حاضر در مقایسه با سایر مدل های پیشنهادی در پژوهش های قبلی بهبود یافته است. استفاده از مدل های پیشنهادی در این پژوهش، می تواند به منظور تشخیص زود هنگام بیماری و ارائه درمان های موثر امید بخش باشد.