بهبود کاهش نویز، تقطیع و طبقه بندی توده های سرطان توسط فیلتر تطبیقی معکوس کوانتومی، عنکبوت اجتماعی و ELM بهبود یافته
نویسنده:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:
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 ارایه 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 ارایه 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.
کلیدواژگان:
زبان:
فارسی
صفحات:
70 تا 89
لینک کوتاه:
magiran.com/p2556097
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!