استفاده از رويكرد هيبريدي مبتني بر الگوريتم جستجوي گرانشي گروهي و خوشه بندي فازي به منظور تشخيص ابتلا به سرطان سينه

كارشناسي ارشد

يكي از خطرناك ترين سرطان ها در بين زنان، سرطان سينه است كه سالانه قربانيان زيادي را در سراسر دنيا مي گيرد. تشخيص به هنگام تومور مي تواند شانس زنده ماندن فرد را به طور قابل توجهي افزايش دهد كه اين امر منجر به كثرت تحقيقات در اين زمينه شده است. با توجه به محدوديت ها و مشكلاتي كه فرايند تشخيص سرطان دارد، روش هاي مبتني بر يادگيري ماشين به روش هاي متداول و موثر در اين زمينه تبديل شده اند. يكي از بزرگترين چالشها در توسعه الگوريتمهاي تشخيص الگو براي تومورهاي سرطاني و تعيين نوع آن، وجود وابستگي ميان دادهها در ابعاد بزرگ و تمييز دادن تفاوتها و شباهتهاي آنها از يكديگر است. تكنيك آناليز اجزا ( PCA) اصلي به عنوان يكي از كارآمدترين روشها در كاهش ابعاد و استخراج دادههاي خالص و با كمترين وابستگي در پژوهشهاي پيشين شناخته ميشود. با اين حال در صورت مواجهه با انبوه دادههاي داراي وابستگي غيرخطي بالا و همپوشاني بين خوشهاي، عملكرد اين تكنيك با چالشهايي رو به رو خواهد شد. در اين شرايط راه حل مورد انتظار مناسب، توسعه اين تكنيك با استفاده از رويكردهاي توابع كرنلي و خوشهبندي فازي ميباشد. با استفاده از توابع كرنلي مناسب امكان نگاشت دادهها در ابعاد بالاتر و به طور موثر فراهم شده و ارتباطات غيرخطي ميان دادهها تا زيادي شناسايي ميشود. همچنين تكنيكهاي مبتني بر محاسبات فازي اين امكان را فراهم ميآورد كه تا حد امكان از تصميمگيري سخت در تخصيص دادهها به دستههاي مختلف جلوگيري به عمل آيد. تكنيك خوشهبندي فازي c-means از روشهاي كارآمد در شناسايي الگوهاي پنهان در ميان دادهها محسوب ميشود و لذا در اين تحقيق به منظور مديريت دادههاي فازيسازي شده از محوريت اين رويكرد استفاده شدهاست. با اين حال، يكي از مشكلات اساسي در استفاده از خوشهبندي فازي c-means در حالت استاندارد امكان به دام افتادن در بهينه محلي در فرآيند دستيابي به خوشههاي بهينه ميباشد. در پژوهشهاي پيشين به منظور حل اين مشكل، تمركز بر روي يكي از دو رويكرد توسعه تابع هدف فازي به صورت كرنلي و يا تركيب الگوريتم با يك رويكرد بهينهسازي هوشمند بودهاست. در اين پژوهش به منظور دستيابي به عملكرد حداكثري علاوه بر توسعه توابع كرنلي، كه به منظور رفع مشكلات وابستگيهاي غيرخطي در مرحله استخراج داده استفاده شده است، به منظور جلوگيري از به دام افتادگي در بهينهمحلي در حين استفاده از خوشهبندي فازي، از رويكرد تركيبي با الگوريتم بهينهسازي جستجوي گرانشي گروهي استفاده شدهاست. در نهايت پس از استخراج و تعيين دقيق الگوهاي پنهان موجود در انبار داده اوليه، خروجي كار به عنوان ورودي به الگوريتم ماشين بردار پشتيبان ارائه شده تا تصميمگيري در خصوص تعيين نوع تومور شناسايي شده با بالاترين دقت ممكن انجام پذيرد.

209060

دانشگاه علم و صنعت ايران

كامران حيدري

مهندسي صنايع- بهينه‌سازي سيستم‌ها

رسول نورالسناء