هوش مصنوعی در بهبود دقت تشخیص تومور مغزی: بهینه سازی ویژگی های شبکه های یادگیری عمیق با رویکردهای فراابتکاری مبتنی بر استخراج ویژگی

این مقاله به بهبود دقت تشخیص تومور مغزی با استفاده از شبکه های یادگیری عمیق و بهینه سازی فراابتکاری می پردازد. در این پژوهش، از هشت الگوریتم فراابتکاری برای بهینه سازی ویژگی های استخراج شده از ۱۶ شبکه پیش آموزش دیده از جمله DarkNet-۵۳، ResNet-۱۰۱، و Inception-v۳ استفاده شده است. این الگوریتم ها با هدف کاهش حجم بردار ویژگی و بهبود عملکرد طبقه بندی، ویژگی های عمیق را بر اساس تابع هزینه مبتنی بر ماشین بردار پشتیبان (SVM) انتخاب کرده اند. همچنین، رویکرد انتخاب شبکه یادگیری عمیق به منظور انتخاب بهترین ویژگی ها از میان شبکه ها به کار رفته است. نتایج نشان می دهند که مدل هایی مانند DarkNet-۵۳ و ResNet-۱۰۱ به دقت های بالاتر از ۰.۹ دست یافته اند، در حالی که مدل های کم حجم تری مانند SqueezeNet دقت کمتری (کمتر از ۰.۸۵) دارند. این پژوهش نشان می دهد که بهینه سازی ویژگی ها با استفاده از الگوریتم هایی مانند AOA، BRO، و BER می تواند تاثیر چشمگیری بر کاهش پیچیدگی محاسباتی و افزایش دقت داشته باشد. در نهایت، روش پیشنهادی با دقت ۹۶.۹۵٪ بهترین عملکرد را در مقایسه با روش های موجود نشان داده است و به عنوان یک روش موثر برای بهبود تشخیص تومور مغزی با استفاده از تصاویر MRI معرفی می شود.

کلیدواژه ها:

بهبود دقت تشخیص تومور مغزی ، شبکه های یادگیری عمیق ، بهینه سازی ، طبقه بندی ، ماشین بردار پشتیبان