基于混合适应差异演化和鱼优化器的医学图像细分方法
Reham R Mostafa1, Ahmed M Khedr2, Zaher Al Aghbari2
1Big Data Mining and Multimedia Research Group, Centre for Data Analytics and Cybersecurity (CDAC), Research Institute of Sciences and Engineering (RISE), University of Sharjah, Sharjah 27272, United Arab Emirates; Information Systems Department, Faculty of Computers and Information Sciences, Mansoura University, Mansoura 35516, Egypt.
Computers in biology and medicine
|August 15, 2024
概括
一个新的混合优化算法,HADECO,增强了医疗成像的多门图像细分. 这种方法通过在MRI和CT扫描中高效地细分瘤和病变来提高诊断准确性.
科学领域:
- 医学图像分析 医学图像分析
- 计算智能是一种计算智能.
- 优化算法 优化算法
背景情况:
- 医学图像细分对于诊断至关重要,但受到多层次值的复杂性挑战.
- 传统方法在值确定中与NP-hard优化问题作斗争.
- 需要有效的策略来提高细分精度和分析.
研究的目的:
- 使用混合优化算法引入一种高效的多门图像分割 (MTIS) 方法.
- 提高医学图像分析和诊断的准确性和效率.
- 为了解决多层次值的计算复杂性.
主要方法:
- 开发了HADECO,这是一个混合算法,将差异进化 (DE) 和鱼优化算法 (COA) 与信息交换相结合.
- 劳动拉丁超立方采样 (LHS) 用于初始人口生成.
- 引入了改进的DE (IDE) 具有适应参数和适应COA (ACOA),以实现平衡的勘探和开采.
主要成果:
- 哈德科展示了卓越的优化能力,与当代算法相比,获得了最低的平均弗里德曼等级 (1.08).
- 基于HADECO的MTIS方法在细分脑内出血 (ICH) 和膝盖MRI图像方面显示出更好的定量结果.
- 在大脑 (1.5,1.7) 和膝盖 (1.3,1.2) 图像细分任务中实现了优越的平均峰值信号噪声比 (PSNR) 和特征相似度指数 (FSIM).
结论:
- 拟议的HADECO算法有效地解决了多门图像细分的挑战.
- 基于HADECO的MTIS方法显著提高了医疗成像应用中的细分精度和效率.
- 这种方法为精确的瘤和病变隔离提供了有希望的解决方案,改善了诊断能力.
