改进了基于拉丁超立方体采样初始化的鱼优化算法,用于COVID-19X射线多门图像分割的X射线多门图像分割

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 图像细分对于COVID-19诊断至关重要,多门方法提供了效率.
• 像卡普尔的方法和标准鱼优化算法 (WOA) 这样的现有技术在 COVID-19 分区的准确性,稳定性和效率方面存在局限性.
• 挑战包括稳定性差,效率低,以及当前COVID-19检测门选择的准确性问题.

研究的目的:

• 为COVID-19诊断开发一个改进的多门图像细分技术.
• 增强鱼优化算法 (WOA),以克服稳定性,效率和准确性的局限性.
• 引入一种新的算法,CAGWOA,用于对肺部X射线图像进行高级细分.

主要方法:

• 引入了一种新的算法:拉丁式超立方采样初始化基于多策略增强的WOA (CAGWOA).
• 纳入关键策略:COS采样初始化 (COSI) 以实现均的解决方案覆盖,适应性全球搜索 (GS) 以防止停滞,以及全维邻近机制 (ADN) 以实现精确的融合.
• 通过基准功能测试集和对COVID-19肺X射线图像进行比较实验进行验证.

主要成果:

• 与现有方法相比,CAGWOA在多值图像细分方面表现优越.
• 肺部X射线图像的实验结果显示,图像细节的保存更好,细分边界更清晰.
• 该算法在不同的值水平上表现出适应性,证实了它的有效性.

结论:

• 通过使用多门图像细分,CAGWOA显著改进了现有的COVID-19诊断方法.
• 综合策略 (COSI,GS,ADN) 提高了稳定性,效率和准确性.
• 在检测COVID-19时,CAGWOA为医学图像分析提供了有希望的进步.