بهبود کاهش نویز، تقطیع و طبقه بندی توده های سرطان توسط فیلتر تطبیقی معکوس کوانتومی، عنکبوت اجتماعی و ELM بهبود یافته

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.