ارایه مدل‌ های هایبریدی مبتنی بر فازی و الگوریتم های هوش جمعی مبتنی بر یادگیری تجربی جهت شناسایی تومور‌های سینه بر اساس تحلیل تصاویر ماموگرافی

در این پژوهش، روش هوشمند فازی جهت تشخیص و مدیریت عدم قطعیت در ویژگی‌های ورودی جهت شناسایی تومور‌های سینه ارائه شده است. مدل‌های هایبریدی فازی تکاملی به منظور افزایش کارایی سیستم و بهینه سازی نتایج استفاده شده است. هدف استفاده از مدل‌های مبتنی بر محاسبات نرم تشخیص نوع توده‌های سینه براساس تحلیل ویژگی‌ها در تصاویر ماموگرافی است. مدل‌های ترکیبی پیشنهاد شده در این پژوهش شامل فازی مبتنی بر آموزش و یادگیری، فازی بهینه سازی ازدحام ذرات و فازی مبتنی بر آموزش و یادگیری است. از تحلیل منحنی مشخصه عملکرد سیستم جهت سنجش کارایی سیستم استفاده شده است. همچنین از روش اعتبار سنجی تقاطعی 10 بخشی جهت تقسیم بندی داده‌ها به بخش‌های آموزش و تست استفاده شده است. روش‌ جدید هایبریدی فازی مبتنی بر آموزش و یادگیری ازدحام ذرات ارایه شده، جهت تشخیص سرطان سینه، عملکرد بالاتری نسبت به روش های موجود داشته است. با مقایسه‌ی عملکرد مدل‌های هایبریدی پیشنهادی در این پژوهش، روش هایبریدی فازی مبتنی بر آموزش و یادگیری ازدحام ذرات با میزان صحت96/27% از عملکرد بهینه‌تری نسبت به روش‌های پیشنهادی دیگر جهت تشخیص سرطان سینه است. نتایج حاصل از این پژوهش می‌تواند به منظور تشخیص به موقع و ارائه‌ی درمان‌های موثر امید بخش باشد.

Hybrid Fuzzy and Swarm Intelligence based on Experimental Learning for Detection of Breast Tumors Through Mammography Image Analysis

In this study a hybrid fuzzy intelligent method for management of uncertainty sources in characterization of breast tumors in mammography images has been proposed . Moreover, A hybrid fuzzy evolutionary model has been applied for optimizing and boosting efficiency of the system. Applying soft computing models attempt at analysis of the mammography images based on their features . For this FuzzyTBO,, FuzzyPSOTLBO models have been proposed and investigated. The performance evaluation was conducted using the Receiver Operator Characterization (ROC) analysis in terms of accuracy and area under the ROC curve. In order to evaluate the results, a 10fold cross validation technique was conducted. The obtained results reveal an accuracy of 96.27% for the determining different types of masses based on the tumors’ features according to the images. The presented model competes and outperforms other proposed models in previous studies. The outcome of this study may be hopeful for the means of apropos diagnosis and representing effective treatments.