集团理论粒子群集优化用于灰色水平的医学图像增强
Jinyun Jiang1, Jianchen Cai1, Qile Zhang2
1College of Mechanical Engineering, Quzhou University, Quzhou 324000, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
一个新的元启发算法,群理论粒子群集优化 (GT-PSO),增强了医疗图像,以便更好地进行计算机辅助诊断 (CAD). 这种方法可以改善图像对比度,并有助于早期发现疾病,可能增加患者的存活率.
科学领域:
- 医疗图像处理 医学图像处理
- 计算机辅助诊断 (CAD) 是一种计算机辅助诊断.
- 超启发式优化优化
背景情况:
- 医疗图像增强对于提高计算机辅助诊断 (CAD) 系统性能至关重要.
- 有效的增强增加了信息传输能力,并影响了诊断准确性.
- 当前的增强方法经常使用元启发学来优化图像灰度值.
研究的目的:
- 为医疗图像增强提出一个创新的元启发算法,集团理论粒子群集优化 (GT-PSO).
- 用一种新的方法来解决医疗图像增强中的优化挑战.
- 改善医疗图像的对比度和强度分布,以更好地解释诊断.
主要方法:
- 开发了基于对称群理论的集团理论粒子群集优化 (GT-PSO).
- 实现了GT-PSO与特定组件:粒子编码,解决方案景观,社区运动和群群拓.
- 优化了混合健身功能,结合多个医学图像测量.
主要成果:
- 与现实世界医疗图像数据集上的现有方法相比,GT-PSO表现出卓越的性能.
- 该算法有效地改善了医疗图像中强度分布的对比度.
- 对比实验验证实了提议的GT-PSO算法的有效性.
结论:
- 在计算机辅助诊断中,GT-PSO为医疗图像增强提供了一个强大的新工具.
- 该算法在增强过程中成功平衡了全球和本地强度转换.
- 这一进步有望改善早期诊断和患者的治疗结果.
更多相关视频
07:57Positron Emission Tomography-based Dose Painting Radiation Therapy in a Glioblastoma Rat Model using the Small Animal Radiation Research Platform
Published on: March 24, 2022
2.8K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
