استخراج تومور از تصاویر پزشکی به کمک بهینه سازی کولونی مورچه

تومورهای مغزی یکی از مهمترین موارد مرگ و میر در انواع سرطان ها می باشند. اما پزشکان روشی را برای پیدا کردن تومورهای مغزی که بتواند به صورت استاندارد مورد استفاده قرار گیرد، را در اختیار ندارند.امروزه استفاده از دستگاههای تصویربرداری پزشکی برای تشخیص بیماری و تحقیقات پزشکی ضروری است. در بین این وسایل تصویر برداری MRI نقش اصلی را ایفا می کند. قطعه بندی این تصاویر بسیار دشوارتر از تصاویر طبیعی است ، زیرا حساسیت عملکردی آنها بالاتر از دیگر تصاویر است. تاکنون، بسیاری از الگوریتم های مختلف برای تقسیم بندی این نوع تصاویر پیشنهاد شده اند.بهینه سازی کولونی مورچه ها ( ACO ) ، یک رویکرد مبتنی بر جمعیت کنونی است که با ادراک درستی از محل اسکان مورچه های واقعی وبه رغم رفتار انعکاس دهنده آن ، ایجاد شده است. در این مقاله، ما روشی را برای بهبود کارایی الگوریتم کولونی مورچه ها پیشنهاد می کنیم. ما از این روش پیشنهادی برای استخراج منطقه مشکوک استفاده می کنیم. ابتدا مقدار باقی مانده با افزودن نویز در هر مرحله از تجزیه محاسبه می شود تا پیکسل همسایه را از طریق اختلاف محدود به نمودار هیستوگرام ( CLAHE ) به دست آورد در ادامه این رویکرد، جهت گیری مورچه و تمایل آن برای رفتن به سایت بعدی برای محاسبه احتمال انتخاب سایت بعدی توسط مورچه در نظر گرفته می شود. علاوه بر این ، در محاسبه احتمال حرکت بعدی، ما سعی می کنیم بین تاثیر مسیر مورچه و مقدار فرومون توزیعشده تعادل ایجاد کنیم. استفاده از روش ACO به منظور تجزیه و تحلیل و تقسیم بندی تصاویر MRI برای اهداف پزشکی و تشخیص تومورها استفاده میشود.یافته ها نشان می دهد که الگوریتم یاد شده برای بخش بندی تصاویر مغز استفاده شد واز لحاظ معیارهای دقت ، حساسیت ، نرخ خطای مثبت و PSNR بهینه سازی کولونی در مقایسه با بهینه سازی چند هدفه بهبود داشته است.

کلیدواژه ها:

کولونی مورچه ، فرومون ، تقسیم بندی ، بخش بندی