طبقه بندی تصاویر ماموگرافی با استفاده از نقشه های شناختی فازی و یک الگوریتم جدید برای طبقه بندی

عبدالله امیرخانی ، مجتبی کلاهدوزی ، الپیینیکی I. پاپاگورگیو و محمد رضا موسوی

ماموگرافی یکی از بهترین روشها برای تشخیص زودرس سرطان پستان است. در این مقاله روشی مبتنی بر نقشه شناختی فازی (FCM) و قابلیت های یادگیری تکاملی آن برای طبقه بندی تصاویر ماموگرافی ارائه شده است. کمک اصلی این کار دو بخش است: (الف) ارائه یک روش طبقه بندی جدید به نام الگوریتم منطقه در حال رشد (TBRG) برای طبقه بندی تصاویر ماموگرافی ، و (ب) اجرای روش FCM در زمینه طبقه بندی تصویربرداری ماموگرافی با ایجاد یک الگوریتم یادگیری کارآمد جدید FCM برای طبقه بندی تومور. با استفاده از الگوریتم پیشنهادی (TBRG) ، یک تومور احتمالی در برابر بافت پس زمینه ترسیم می شود. ما 36 ویژگی را از بافت یادشده استخراج کردیم و بافت و مرز ناحیه تقسیم شده را توصیف کردیم. با توجه به سختی ابعاد دهی به مشخصات ، این ویژگی ها با کمک الگوریتم بهینه سازی توده ذرات پیوسته انتخاب شدند. FCM با استفاده از یک رویکرد تکاملی جدید و مبتنی بر سطح زیر منحنی (AUC) آموزش داده شد. به منظور ارزیابی اثربخشی طرح ارائه شده ، مقایسه هایی با الگوریتم های یادگیری ماشین معیار انجام شده و معیارهای شناخته شده مانند ROC ، AUC محاسبه شده است. AUC به دست آمده برای مجموعه داده های آزمایش 87.11٪ است ، که نشان دهنده عملکرد عالی FCM پیشنهادی است.