ارائه‌ي نگاشت ادراكي جديد بر مبناي تركيب قواعد فازي و شبكه‌هاي بيزين براي طبقه‌بندي تصاوير پزشكي

كارشناسي ارشد

در اين پايان‌نامه يك روش جديد برمبناي تركيب نگاشت‌شناختي‌فازي مرتبه‌بالا (HFCM) و ماشين بردار پشتيبان (SVM)، براي دسته‌بندي بيماري سلياك (CD) ارائه مي‌كنيم. CD يك اختلال پيچيده است كه پيشرفت آن با تركيب ژنتيك (آلل‌هاي HLA) و مصرف گلوتن كنترل مي‌شود. بيماران سلياكي كه تحت درمان قرار نمي‌گيرند، در معرض خطر بالاي ابتلا به سرطان و لنفوم بدخيم هستند. جهت بهبود كارايي و افزايش توانايي كلاسه‌بندي HFCM از الگوريتم بهينه‌سازي گروهي ذرات (PSO) بهره مي‌بريم. اين روش كه شيوه تفكر انسان را مدل مي‌كند، از جديدترين شيوه‌ي دسته‌بندي شامل سه‌ گريد A، B1 وB2 ، استفاده مي‌كند. به‌منظور ارزيابي عملكرد، اين روش به 89 بيمار اعمال مي‌شود. نتايج شبيه‌سازي برتري روش پيشنهادي را در مقايسه با شبكه‌هاي بيزين مبتني بر قواعد نشان مي‌دهند. با توجه به اينكه مدل‌هاي گسترش يافته‌ي PSO، كارايي آن را به لحاظ سرعت همگرايي، بهينگي كلي، دقت راه‌حل و قابليت اطمينان الگوريتم افزايش مي‌دهند، در اين پژوهش از الگوريتم‌هايي مانند PSO تطبيقي (APSO) و PSO آشوبگر (CPSO) بهره مي‌بريم. APSO كارايي جستجو بهتري نسبت به PSO كلاسيك نشان مي‌دهد و مي‌تواند يك جستجوي كلي بر تمام فضاي جستجو با سرعت همگرايي بيشتري انجام دهد. هم‌چنين روش‌هاي CPSO، به حفظ تنوع جمعيت ذرات در PSO كلاسيك، براي جلوگيري از همگرايي زودرس رسيدگي مي‌كنند. نتايج حاصل از اعمال CPSOهاي گوناگون و APSO با PSO كلاسيك مقايسه مي‌شوند. نتايج عددي مشخص مي‌كنند كه تركيب HFCM مرتبه‌ي چهار آموزش ديده توسط CPSO (CPSO_V) با SVM حداقل مربعات، براي سه گريد A ، B1و B2، با درصدهاي 67/91%، 88/87% و 75/93% دقت بالاتري را ارائه مي‌دهد. واژه‌هاي كليدي: بيماري سلياك، نگاشت‌هاي شناختي فازي، شبكه‌هاي بيزين، الگوريتم بهينه‌سازي گروهي ذرات، كلاسه بندي

189822

دانشگاه علم و صنعت ايران

-

الكترونيك

دكتر كريم محمدي