一个适应性增强的人类记忆算法用于多层次的图像细分,用于病态肺癌图像
Mahmoud Abdel-Salam1, Essam H Houssein2, Marwa M Emam2
1Faculty of Computers and Information Science, Mansoura University, Mansoura, Egypt.
Computers in biology and medicine
|October 15, 2024
概括
这项研究介绍了ASG-HMO,这是一种用于增强肺癌图像细分的新算法. 与现有方法相比,ASG-HMO显著提高了诊断的准确性和速度.
科学领域:
- 医疗成像医学成像
- 计算智能是一种计算智能.
- 病理学 病理学 病理学
背景情况:
- 准确的肺癌诊断依赖于精确的医学图像细分.
- 传统的元启发方法在肺癌图像细分的速度和准确性方面面临挑战.
研究的目的:
- 引入ASG-HMO,一种增强的人类记忆优化算法,用于改善肺癌图像的多门细分.
- 解决现有方法在趋同速度和细分精度方面的局限性.
主要方法:
- ASG-HMO集成了增强的适应性互惠主义,螺旋运动,高斯突变和适应性t分布干扰策略.
- 该算法使用2D Renyi和2D直方图来提高细分精度.
- 在基准数据集 (IEEE CEC'17, CEC'20) 上验证,并应用于组织病理学肺癌图像.
主要成果:
- ASG-HMO在峰值信号与噪声比率 (PSNR),结构相似度指数 (SSIM),特征相似度指数 (FSIM) 和概率率指数 (PRI) 中表现出色.
- 取得的最大PSNR为31,924,SSIM为0.919,FSIM为0.990,PRI为0.924. 这些数据均为最大的PSNR.
- 在融合速度和细分精度方面都超过了现有的算法.
结论:
- ASG-HMO为精确的病理性肺癌图像细分提供了一个强大的框架.
- 增强的算法具有显著的潜力,可以改善临床诊断过程.
- ASG-HMO代表了瘤学自动化医学图像分析的重大进步.
