Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

FBCA: Flexible Besiege and Conquer Algorithm for Multi-Layer Perceptron Optimization Problems.

Biomimetics (Basel, Switzerland)·2025
Same author

MOBCA: Multi-Objective Besiege and Conquer Algorithm.

Biomimetics (Basel, Switzerland)·2024
Same author

Multi-Layer Perception model with Elastic Grey Wolf Optimization to predict student achievement.

PloS one·2022
Same author

Comparison of frequency-resolved optical polarization gating induced by molecular alignment and Kerr effects.

Optics letters·2012
Same author

Direct transformation of simple enals to 3,4-disubstituted benzaldehydes under mild reaction conditions via an organocatalytic regio- and chemoselective dimerization cascade.

Chemistry (Weinheim an der Bergstrasse, Germany)·2012
Same author

[Digital anatomy of the perforator flap in the thigh].

Zhonghua zheng xing wai ke za zhi = Zhonghua zhengxing waike zazhi = Chinese journal of plastic surgery·2012
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jan 18, 2026

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
08:05

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia

Published on: December 19, 2020

14.7K

Algoritmo de Semillas de Árbol Adaptativo y Mejorado por Migración para Segmentación de Imágenes de TC Multiumbral y

Chenxi Li1,2, Jianhua Jiang1,2, Zhixing Ma1,2

  • 1Center for Artificial Intelligence, Jilin University of Finance and Economics, Changchun, China.

PloS one
|January 16, 2026
PubMed
Resumen

El Algoritmo de Semillas de Árbol Adaptativo y Mejorado por Migración (AMTSA) mejora el Algoritmo de Semillas de Árbol (TSA) original para tareas de optimización complejas. AMTSA demuestra un rendimiento superior en problemas de alta dimensión y análisis de imágenes médicas.

Palabras clave:
Algoritmo de Semillas de Árbol Adaptativo y Mejorado por MigraciónOptimización de alta dimensiónSegmentación de imágenes médicasReconocimiento de cáncer de pulmónInteligencia de enjambre

Más Videos Relacionados

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
07:53

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Published on: October 13, 2023

2.0K
Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
09:21

Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images

Published on: February 18, 2015

12.6K

Videos de Experimentos Relacionados

Last Updated: Jan 18, 2026

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
08:05

Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia

Published on: December 19, 2020

14.7K
Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
07:53

Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer

Published on: October 13, 2023

2.0K
Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images
09:21

Human Brown Adipose Tissue Depots Automatically Segmented by Positron Emission Tomography/Computed Tomography and Registered Magnetic Resonance Images

Published on: February 18, 2015

12.6K

Área de la Ciencia:

  • Inteligencia Computacional
  • Algoritmos de Optimización
  • Inteligencia de Enjambre

Sus antecedentes:

  • El Algoritmo de Semillas de Árbol (TSA) original sufre de convergencia prematura y óptimos locales en optimización de alta dimensión.
  • Las variantes existentes de TSA tienen limitaciones para abordar problemas complejos y a gran escala de manera efectiva.

Objetivo del estudio:

  • Introducir un Algoritmo de Semillas de Árbol Adaptativo y Mejorado por Migración (AMTSA) para superar las limitaciones del TSA estándar.
  • Mejorar la exploración global, la adaptabilidad y la estabilidad de la convergencia en tareas de optimización complejas.

Principales métodos:

  • Implementación de un mecanismo adaptativo de migración de árboles para el ajuste dinámico del tamaño y la dirección del paso basado en la aptitud individual.
  • Introducción de una estrategia adaptativa de generación de semillas que utiliza la distribución de Weibull dinámica para un control de búsqueda flexible.
  • Incorporación de una función de ajuste de tamaño de paso no lineal inspirada en el algoritmo GBO para mejorar la estabilidad de la convergencia.

Principales resultados:

  • AMTSA superó a los optimizadores de última generación (JADE, LSHADE) y a las variantes de TSA (STSA, fb-TSA, MTSA) en las funciones de referencia IEEE CEC 2014.
  • En pruebas de alta dimensión (30, 50, 100 dimensiones), AMTSA logró los mejores resultados de optimización y la convergencia más rápida.
  • Un modelo AMTSA-SVM logró una precisión del 89,5 % en la segmentación de imágenes de TC de cáncer de pulmón, superando a otros métodos.

Conclusiones:

  • El AMTSA propuesto aborda eficazmente las deficiencias del TSA a través de la migración adaptativa, la generación dinámica de semillas y el control no lineal del tamaño del paso.
  • AMTSA ofrece una solución más eficiente y robusta para problemas de optimización complejos y de alta dimensión.
  • El algoritmo mejorado muestra un potencial significativo en aplicaciones del mundo real como el análisis de imágenes médicas.