在病理图像细分中用于肺癌的自适应混合元启发算法

科学领域:

• 数字病理学数字病理学
• 医学图像分析分析
• 计算智能是一种计算智能.

背景情况:

• 组织病理学图像对于肺癌诊断和亚型化至关重要.
• 由于高分辨率,颜色多样性和复杂性,这些图像的自动细分具有挑战性.
• 准确的细分对于可靠的AI辅助诊断系统至关重要.

研究的目的:

• 为多层次图像值开发一种新的混合元启发方法.
• 为了提高肺癌组织病理学图像细分的准确性和计算效率.
• 在自动化分析中解决复杂图像特征所带来的挑战.

主要方法:

• 一个自适应的混合元启发算法,SCSOWOA,是通过整合沙猫群优化 (SCSO) 和鱼优化算法 (WOA) 来开发的.
• SCSOWOA算法顺序和自适应地将SCSO的探索与WOA的开发相结合.
• 在LC25000肺癌数据集上使用峰值信号与噪声比率 (PSNR),结构相似度指数测量 (SSIM) 和特征相似度指数测量 (FSIM) 来评估性能.

主要成果:

• 斯科沃达实现了高质量的细分,平均PSNR为27.9453dB,SSIM为0.8048和FSIM为0.8361.
• 在T=12时观察到最佳性能,SSIM为0.9340和FSIM为0.9542.
• 该算法在计算效率方面取得了40%的改进,平均执行时间为1.3221秒.

结论:

• SCSOWOA有效地平衡了勘探和开发,以实现强大的图像细分.
• 该算法在组织病理学图像分析中提供了高精度,低方差和计算效率.
• SCSOWOA显示了人工智能辅助肺癌诊断系统的巨大潜力.