Numer: 07/2024 Str. 158
Autorzy: G. Valarmathy , N. Umapathi , Su Suganthi , R. Jegadeesan :
Tytuł: Zautomatyzowany system segmentacji i klasyfikacji glejaków przy użyciu hybrydowej, tasowanej ewolucji złożonej z konwolucyjną siecią neuronową
Streszczenie: Naciekowy charakter i szybki postęp glejaków uczyniły je najczęstszym i najbardziej agresywnym rodzajem nowotworu mózgu. W praktyce klinicznej odróżnienie granic guza od zdrowych komórek jest trudnym zadaniem. W diagnostyce guza mózgu, a także ocenie śródoperacyjnej odpowiedzi na leczenie szeroko wykorzystuje się obrazowanie metodą rezonansu magnetycznego (MRI). Dzięki segmentacji zakażone obszary tkanki mózgowej można wyodrębnić z rezonansu magnetycznego. Segmentacja regionu nowotworowego jest kluczowym zadaniem w diagnostyce nowotworu, jego leczeniu, a także ocenie wyników leczenia. W głębokim uczeniu się wykorzystywana jest znacząca architektura zwana konwolucyjną siecią neuronową (CNN). CNN wykazało wyjątkową poprawę w zakresie rozpoznawania i klasyfikacji obiektów. Ma dużą skuteczność w szerokim zakresie problemów związanych z uczeniem maszynowym i wizją komputerową. Podobnie jak w przypadku innych technik głębokiego uczenia się, szkolenie CNN wiąże się z wieloma trudnościami. W tej pracy zaproponowane nowatorskie algorytmy oparte na metaheurystyce zostały wykorzystane do optymalizacji CNN przy użyciu algorytmu Ant Colony Optimization (ACO), hybrydowej Shuffled Complex Evolution (SCE) z ACO i hybrydowego SCE z algorytmem Particle Swarm Optimization (PSO). Wyniki pokazują, że proponowana metoda daje lepsze wyniki niż metody istniejące.
Słowa kluczowe: Wykrywanie i segmentacja glejaka, obrazowanie rezonansu magnetycznego (MRI), filtr Gabora, optymalizacja kolonii mrówek (ACO), ewolucja kompleksu losowego (SCE), optymalizacja roju cząstek i konwolucyjna sieć neuronowa