基于改进的Salp Swarm算法的多门图像分割:乳腺癌病理图像的案例研究
Hongliang Guo1, Mingyang Li1, Hanbo Liu1
1College of Information Technology, Jilin Agricultural University, Changchun 130118, China.
Computers in biology and medicine
|December 1, 2023
概括
本研究介绍了SDSSA,这是一种用于乳腺癌诊断的新型混合多层图像细分方法. 它提高了准确性,并克服了医疗图像处理中常见的局部最佳问题.
科学领域:
- 医疗图像处理 医学图像处理
- 计算智能是一种计算智能.
- 生物医学工程 生物医学工程
背景情况:
- 乳腺癌的诊断严重依赖于医学图像处理.
- 图像分割 (IS) 是至关重要的,多级图像分割 (MIS) 是有效的.
- 对于MIS而言,现有的元启发算法面临着诸如低收精度和局部优化等挑战.
研究的目的:
- 开发一种改进的多层图像分割 (MIS) 方法,用于乳腺癌病理图像.
- 解决现有的元启发算法在趋同和准确性方面的局限性.
- 引入一种结合Salp Swarm Algorithm (SSA),Slime Mould Algorithm (SMA) 和差异进化 (DE) 的新型混合模型.
主要方法:
- 提出了一个名为SDSSA的混合MIS模型,集成SSA,SMA和DE算法.
- 在SDSSA框架内使用的非局部意味着2D直方图和2D卡普尔的.
- 对基准函数 (IEEE CEC2014) 和其他细分方法进行评估的SDSSA.
主要成果:
- 与基准函数的现有算法相比,SDSSA表现出更高的融合速度和精度.
- 实验表明,基于SDSSA的MIS在低值和高值水平上都超过了其他方法.
- 提出的方法实现了乳腺癌病理图像的优秀细分结果.
结论:
- SDSSA是一种强大而准确的混合方法,用于多层次图像分割.
- 开发的技术为增强乳腺癌诊断支持提供了实际帮助.
- 这种方法代表了医学图像处理用于病理学分析的重大进步.
