ارائه‌ مدل‌های محاسبات نرم مبتنی بر فازی، تکاملی و هوش جمعی در تحلیل تصاویر ماموگرافی جهت تشخیص تومور‌های سینه

مدل های محاسبات نرم مبتنی بر سامانه های هوشمند فازی درتشخیص سرطان سینه، امکان مدیریت عدم قطعیت در فرایند استدلال در سامانه را فراهم می کند.در این پژوهش، یک مدل استنتاج فازی به منظور مدیریت عدم قطعیت در داده های ورودی طراحی شده است و الگوریتم های هایبریدی مبتنی بر فازی جهت تنظیم و بهینه سازی پارامتر ها، به کار برده شده اند. هدف، ارائه روش های موثر جهت تشخیص نوع توده های خوش خیم، بدخیم و نرمال سینه است. طبقه بندی توده ها جهت تشخیص موارد نرمال، خوش خیم و بدخیم با مدل های هایبریدی محاسبات نرم و بر اساس تحلیل ویژگی ها در تصاویر ماموگرافی انجام شده است. الگوریتم های هایبریدی ارایه شده در این پژوهش شامل1 ) فازی ژنتیک، 2) فازی بهینه سازی ازدحام ذرات و 3) فازی بهینه سازی مبتنی بر جغرافیای زیستی است. به منظور سنجش عملکرد سامانه از تحلیل منحنی مشخصه(roc)و همچنین از روش اعتبار سنجی تقاطعی ده بخشی جهت تقسیم بندی داده ها به بخش های آموزش و آزمون برای به دست آوردن نتایج قابل اعتماد و اعتبار سنجی استفاده شده است. نوآوری پژوهش حاضر در ارایه مدل پیشنهادی هایبریدی فازی بهینه سازی مبتنی بر جغرافیای زیستی و بهبود عملکرد مدل طبقه بندی جهت تشخیص سرطان سینه است. روش جدید هایبریدی فازی بهینه سازی مبتنی بر جغرافیای زیستی ارایه شده به منظور تشخیص سرطان سینه در این پژوهش، عملکرد بالاتری نسبت به روش های موجود بر روی این بانک اطلاعاتی معتبر و معروف جهت تشخیص سرطان سینه داشته است. باتوجه به نتایج به دست آمده و مقایسه عملکرد مدل های هایبریدی پیشنهادی در این پژوهش، روش هایبریدی فازی مبتنی بر جغرافیای زیستی با میزان صحت 95.25% از عملکرد بهینه تری نسبت به روش های هایبریدی پیشنهادی دیگر جهت تشخیص سرطان سینه برخوردار است. مدل حاضر در مقایسه با سایر مدل های پیشنهادی در پژوهش های قبلی بهبود یافته است. استفاده از مدل های پیشنهادی در این پژوهش، می تواند به منظور تشخیص زود هنگام بیماری و ارائه درمان های موثر امید بخش باشد.

Soft Computing Methods based on Fuzzy, Evolutionary and Swarm Intelligence for Analysis of Digital Mammography Images for Diagnosis of Breast Tumors

Soft computing models based on intelligent fuzzy systems have the capability of managing uncertainty in the image based practices of disease. Analysis of the breast tumors and their classification is critical for early diagnosis of breast cancer as a common cancer with a high mortality rate between women all around the world. Soft computing models based on fuzzy and evolutionary algorithms play an important role in advances obtained in computer aided detection (CAD) systems. Combination of the evolutionary nature of swarm intelligence algorithms in optimization along with the potential of fuzzy models to cope with uncertainty and complex environments. In this research, a fuzzy inference model has been proposed for managing uncertainty in input data. The main uncertainty issues for classification of the breast tumors were modeled through the linguistic terms, fuzzy variables and fuzzy reasoning processes in the fuzzy inference model. Fuzzy linguist terms and rule sets are valuable to have an intelligent model with the ability to interact with the clinicians. Furthermore, hybrid fuzzyevolutionary models have been proposed for tuning fuzzy membership functions for diagnosis of malignant and benign breast tumors. The hybrid proposed evolutionary methods are: 1) FuzzyGenetic, 2) FuzzyParticle swarm intelligence, and 3) Fuzzybiogeography models. Evolutionary nature inspired combination with the fuzzy inference model (FIM) improves the proficiency of the FIM by adaption to the environment through the tuning process using training and testing datasets. To achieve this, the Genetic Algorithm was applied as a base evolutionary method. Then, the potential of the Particle Swart intelligence algorithm in using local and global experiences of the solutions in the search space. Also, biogeographical aspects of species in finding an optimum solution lands with the high suitability habitat index has been concentrated in optimization process of the FIM. Evolutionary algorithms perform tuning of the fuzzy membership functions to improve the accuracy of the fuzzy inference model while simplicity and interpretability of the FIM was kept. For performance evaluation, an ROC curve analysis was conducted which is a robust and reliable technique that represents the trades of between classification model benefits and costs. Also, for validation purpose, a 10fold crossvalidation technique was performed for partitioning the dataset into training and testing sets in the evolutionary optimization algorithms. The performance of the proposed methods were evaluated using a dataset including 295 images and extracted features from mammographic image analysis society (MIAS) dataset. The results reveal that the hybrid Fuzzybiogeography model outperforms the other evolutionary models with an accuracy and area under the ROC curve (AUC) of 95.25%, and 91.43%, respectively. Performance comparison of the hybrid evolutionary models in this study with the related methods for classification of the breast tumors on the MIAS dataset reveals that the fuzzybiogeography model outperforms the other methods in terms of tradesoff between accuracy and interpretability with an area under the ROC curve of 95.25% with four extracted features. The FuzzyGA and FuzzySwarm Intelligence models are competitive with the best results of counterpart methods with an accuracy of 93.9% and 94.58% in terms of the AUC, respectively. The proposed fuzzyevolutionary models in this study are promising for diagnosis of the breast tumors in early stages of the disease and providing suitable treatment.