EATHOA:精英开发的徒步旅行算法,用于全球优化和精确的多门图像细分,用于脑内出血图像.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算优化计算优化

背景情况:

• 脑内出血 (ICH) 是一种严重的疾病,需要准确及时诊断.
• 医疗图像细分对于ICH诊断至关重要,但目前的方法在复杂图像和多值细分 (MTIS) 上扎.
• 现有的技术面临着计算挑战和性能下降,ICH图像细分的门越来越高.

研究的目的:

• 为高维和多式问题开发先进的优化算法,特别是用于ICH图像细分.
• 为了提高多值图像分割 (MTIS) 对于脑内出血 (ICH) 的准确性和计算效率.
• 引入精英自适应流徒步旅行优化算法 (EATHOA) 以改进医疗图像分析.

主要方法:

• 提出了精英适应性流式徒步旅行优化算法 (EATHOA),这是徒步旅行优化算法 (HOA) 的增强.
• 集成精英基于对立的学习 (EOBL),自适应k-平均最佳突变 (AKAB) 和流运营者 (TO) 进入EATHOA.
• 在CEC2017和CEC2022基准函数上评估了EATHOA,并将其应用于脑内出血 (ICH) 图像的多门图像分割 (MTIS).

主要成果:

• 与基准函数的最先进算法相比,EATHOA展示了优越的全球优化性能.
• 应用于ICH图像分割,EATHOA在六个值级别实现了高PSNR (34.4671),FSIM (0.9710) 和SSIM (0.8816).
• 该算法在细分精度和ICH图像的计算效率方面表现优于最近的方法.

结论:

• 对于脑内出血 (ICH) 图像细分的复杂挑战,EATHOA提供了一个计算高效和有效的解决方案.
• 拟议的算法显示出作为高级医学图像分析的强大工具的巨大潜力.
• 在医学成像中,EATHOA为多值图像分割 (MTIS) 任务提供了卓越的准确性和效率.