通过改进的多目标WOA,有效的特征选择用于基因病理图像分类
Ravi Sharma1, Kapil Sharma2, Manju Bala3
1Delhi Technological University, Bawana, New Delhi, 110042, India. ravisrma1988@gmail.com.
Scientific reports
|October 25, 2024
概括
本研究介绍了一种增强的多目标鱼优化算法,用于在组织病理学图像分析中高效的特征选择,提高准确性和减少与现有方法相比计算时间.
科学领域:
- 计算病理学计算病理学
- 生物信息学是一种生物信息学.
- 机器学习是机器学习.
背景情况:
- 高效的特征选择对于组织病理学图像分析至关重要,但仍然是一个挑战.
- 当前的方法往往将特征选择视为一个单一目标的问题,从而限制了它们的有效性.
研究的目的:
- 提出一个增强的多目标鱼优化算法 (EMOWOA) 用于特征选择在他的病理学.
- 在复杂的图像分析任务中解决单一目标方法的局限性.
主要方法:
- 开发并使用了一种增强的多目标鱼优化算法 (EMOWOA).
- 在10个标准的多目标基准函数 (CEC2009) 上验证了EMOWOA.
- 将EMOWOA与使用五个分类器的三种现有特征选择技术进行比较,评估准确性,选择的特征和计算时间.
主要成果:
- 拟议的EMOWOA展示了对基准函数的卓越优化能力.
- 在评估的参数 (准确性,特征数量,时间) 中,EMOWOA显著优于现有方法.
- 该算法有效地挖掘了用于组织病理学图像分析的最佳特征集.
结论:
- 增强的多目标鱼优化算法提供了一个强大的解决方案,用于有效的特征选择在他的病理学.
- 这种方法改进了传统的单一目标方法,提供了更好的绩效指标.
- 这些发现突出了多目标优化在推进计算病理学的潜力.


