بهبود خوشه بندی فازی با استفاده از الگوریتم بهینه سازی گرگ خاکستری در تشخیص تومورهای مغزی

پزشکان با استفاده از تصاویر تشدید مغناطیس مغز می توانند تومورهای مغزی را تا حدودی تشخیص دهند اما یکی از روش های بهبود دقت آنها استفاده از روش های ناحیه بندی تصاویر مانند روش های خوشه بندی است. خوشه بندی فازی به علت حساسیت اندک به نویز یک روش مناسب برای تشخیص تومورهای مغزی است با این وجود خروجی آن می تواند خطای قابل توجه تولید نماید اما با انتخاب بهینه مراکز خوشه ای به صورت بهینه این خطا و چالش را می توان بر طرف نمود. در این مقاله، برای کاهش دادن خطای تشخیص تومورهای مغزی توسط الگوریتم خوشه بندی فازی از الگوریتم بهینه سازی گرگ خاکستری استفاده شده و انتخاب ماتریس عضویت بهینه در خوشه بندی فازی توسط این الگوریتم انجام می شود. در روش پیشنهادی هر ماتریس عضوین به عنوان یک عضو الگوریتم گرگ خاکستری در نظر گرفته می شود و با استفاده از مکانیزم های بکار رفته در این الگوریتم هر ماتریس عضویت به روزرسانی شده و توسط ماتریس عضویت بهینه در هر تکرار مراکز خوشه ای بهینه انتخاب شده و خطای خوشه بندی کاهش داده می شود. نتایج پیاده سازی روش پیشنهادی در محیط متلب بر روی تعدادی تصاویر خاکستری نشان می دهد استفاده از فیلتر رفع نویز میانه برای پیش پردازش تصاویر کیفیت ناحیه بندی را افزایش داده از طرفی افزایش تعداد خوشه ها مقدار شاخص شباهت، دقت، حساسیت و تشخیص را کاهش می دهد و تعداد سه خوشه بهترین نتایج را ارائه می دهد. آزمایشات تائید می نماید افزایش اندازه جمعیت الگوریتم بهینه سازی گرگ خاکستری یا تعداد ماتریس های عضویت باعث می شود که شاخص های شباهت، دقت، حساسیت و تشخیص بهبود و افزایش داده شوند و روش پیشنهادی برای تشخیص تومورهای مغزی دارای شاخص شباهت، دقت، حساسیت و تشخیص به ترتیب برابر 91.31%، 89.85%، 79.86% و 81.09% است. مقایسه روش پیشنهادی با سایر روش ها نشان می دهد که در شاخص شباهت روش پیشنهادی از روش های مانند fcm، kfcm و gfcm عملکرد بهتری دارد.