بهبود شناسایی زودهنگام تومور گلیوما با ترکیب شبکه عصبی مصنوعی و الگوریتم کلاغ اصلاح شده

چکیده مقاله

تشخیص زودهنگام گلیوما نقش حیاتی در بهبود پیش آگهی بیماران و هدایت درمان مناسب دارد در این مقاله، روشی ترکیبی موسوم به ICSA ANN معرفی می شود که شبکه عصبی مصنوعی ANN را با نسخه ای بهبود یافته از الگوریتم کلاغ Improved Crow Search Algorithm — ICSA ترکیب می نماید ICSA به منظور بهینه سازی وزن ها و بایاس های شبکه عصبی و جلوگیری از همگرایی زودرس و افت در کمینه های محلی طراحی شده است ویژگی های بافتی و آماری از تصاویر MRI مجموعه داده BRATS استخراج شده و به عنوان ورودی شبکه استفاده گردیده اند نتایج تجربی نشان می دهد که روش پیشنهادی نسبت به روش های مرجع ANN ساده، GA ANN و PSO ANN از نظر معیارهای دقت Accuracy ، حساسیت Recall و ویژگیSpecificity به طور قابل توجهی بهتر عمل می کند دقت: ۹۶٫۸٪، حساسیت: ۹۵٫۳٪، ویژگی: ۹۷٫۱٪ این مدل می تواند به عنوان یک ابزار کمکی در سیستم های تشخیصی بالینی مورد استفاده قرار گیرد

کلیدواژه‌ها

نویسندگان

سید محمد جواد مصطفوی دارانی

دانشجوی کارشناسی ارشد مهندسی نرم افزار،گروه مهندسی کامپیوتر،دانشکده فنی و مهندسی،موسسه آموزش عالی لیان،بوشهر،ایران

Alireza Chamkoori

دکتری مهندسی کامپیوتر،گروه مهندسی کامپیوتر،واحد بوشهر،دانشگاه آزاد اسلامی،بوشهر،ایران

نوشین ربیعی

دکتری برق مخابرات،گروه مهندسی برق،دانشکده فنی و مهندسی،موسسه آموزش عالی لیان،بوشهر،ایران

مصطفوی دارانی، سید محمد جواد و چمکوری، علیرضا و ربیعی، نوشین،1404،بهبود شناسایی زودهنگام تومور گلیوما با ترکیب شبکه عصبی مصنوعی و الگوریتم کلاغ اصلاح شده،بیست و هشتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل

ارائه‌شده در

مجموعه مقالات بیست و هشتمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات29 آبان 1404 · بابل