بخشبندی خودکار ضایعات آسیب چندگانه اسکلروسیس با استفاده از الگوریتم بهینه سازی تولید مثل غیرجنسی و بهبود مدل شبکه عصبی کانولوشنی

آسیب چندگانه اسکلروسیس (MS) ، نوعی اختلال مزمن التهابی اغلب پیشرونده سیستم اعصاب مرکزی است که با از بین رفتن غلافمیلین در مناطقی از اعصاب مغزی به صورت پلاکهایی مشخص شده و باعث اختلال در انتقال پیام های عصبی می شود. بخش بندی خودکار آسیبهای مغزی ناشی از بیماری MS در تصاویر تشدید مغناطیسی در سال های اخیر با هدف تشخیص و پیگیری بیماران مبتلا بصورت گسترده موردبررسی قرار گرفته است. با این وجود عملکرد بسیاری از الگوریتم های ارایه شده بسیار پایین تر از انتظارات متخصصان می باشد. در این مقاله،هدف بخشبندی خودکار ضایعات این بیماری با روشی جدید بر پایه تنظیم دقیق مدل شبکه عصبی کانولوشنی می باشد. در این شبکه، از ضرایبکرنل های بدست آمده از یک شبکه کانولوشنی آموزش دیده به منظور بخشبندی تومور در تصاویر تشدید مغناطیسی مغزی استفاده شده است.شبکه جدید با اضافه کردن لایه خودرمز کننده به انتهای برش خورده شبکه پیشین، ایجاد شده و توسط آموزش بخش اضافه شده، با داده هایمربوط به ضایعات MS انطباق پیدا می کند. بعلاوه برای فرار از گرفتار شدن در بهینه های محلی از یک الگوریتم فرااکتشافی استفاده گردیده است.نتایج حاصل بیانگر کارایی و دقت کلی قابل قبول این روش می باشد.

کلیدواژه ها:

تصاویر تشدید مغناطیسی مغزی ، اسکلروسیس چندگانه (MS) ، بخش بندی خودکار تصاویر ، شبکه عصبی کانولوشنی ، الگوریتم تولید مثل غیرجنسی