چکیده مقاله
استفاده از مدل های یادگیری عمیق در پردازش تصاویر پزشکی در سال های اخیر توجه پژوهشگران بسیاری را به خود جلب کرده است در این پژوهش، روشی نوآورانه مبتنی بر شبکه یادگیری عمیق U Net برای تشخیص بیماری آلزایمر ارائه شده است این روش از ترکیب خوشه بندی فازی C میانگین با الگوریتم بهینه سازی ترکیبی سینوس کسینوس و تکامل تفاضلی، در کنار طبقه بندی بر اساس تابع آنتروپی استفاده شده است خوشه بندی فازی C میانگین اطلاعات دقیقی از بخش های قطعه بندی شده تصویر فراهم می آورد به منظور رفع مشکل گیر افتادن در بهینه محلی در فرآیند خوشه بندی، الگوریتم بهینه سازی پیشنهادی به کار گرفته شده است برای نخستین بار، یک مدل بهبودیافته از U Net با بهره گیری از این ترکیب ارائه شده است روش پیشنهادی بر اساس تحلیل منحنی ROC و با استفاده از مجموعه داده معتبر ADNI شامل ۲۱۰ تصویر MRI مورد ارزیابی قرار گرفته است نتایج نشان دهنده دقت روش های مختلف به ترتیب %۸۹ ۵ برای شبکه عصبی کانولوشن، %۹۰ ۵ برای U Net، %۹۳ ۳ برای PSO FCM U Net، و %۹۷ ۵ برای روش پیشنهادی SCADE FCM U Net است
کلیدواژهها
نویسندگان
محمد پیرنیاکان
دانشجوی دکتری هوش مصنوعی و رباتیکز – دانشگاه آزاد اسلامی واحد سمنان
شیوه ارجاع
پیرنیاکان، محمد،1403،شبکه یادگیری عمیق U-Net بهبود یافته با خوشه بندی مبتنی بر الگوریتم ترکیبی سینوس کسینوس در تشخیص بیماری آلزایمر از تصاویر MRI مغز،بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل
ارائهشده در
مجموعه مقالات بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 دی 1403 · بابل