طراحی و پیاده سازی مدل یکپارچه الگوریتم یادگیری ماشین با الگوریتم بهینه سازی فراابتکاری به منظور تشخیص سرطان سینه

ابتدا به منظور یافتن نقاط ناپیوسته و نویزبرداری از تصاویر ماموگرافی تهیه بانک فیلتر و محاسبه ماتریس ویژگی (ضمن محاسبه میانگین و انحراف معیار در هر سطح تحلیل چهارگانه از تبدیل موجک برای هر تصویر ماموگرافی به عنوان ورودی شبکه عصبی مصنوعی استفاده کردیم. مشخصات ساختار شبکه عصبی طراحی شده شامل تعداد نرونهای لایه ورودی برابر ۹ نرون و تعداد نرونهای لایه پنهان برابر ۱۹ نرون و تعداد نرون لایه خروجی برابر ۱ نرون میباشد تابع فعال سازی لایه پنهان تابع تانژانت هیپربولیک و تابع فعالسازی لایه خروجی تابع خطی و نیز تابع خطا جذر میانگین مربعات خطا میباشد برای بهینه کردن ضرایب اوزان اتصالات شبکه از الگوریتم ژنتیک استفاده شده است در اجرای شبکه عصبی یکپارچه شده با الگوریتم ژنتیک از ۸۰ درصد دادهها به عنوان دادههای آموزش و از ۲۰ درصد دادهها به عنوان داده آزمایش استفاده شد. از تحلیلهای ماتریس ،کانفیوژن منحنی راک و نمودار میانگین مربعات خطا استفاده کردیم. نتایج حاصل نشان دهنده صحت ۹۷۱ ویژگی ۹۸,۶% و حساسیت %۹۶٫۳ می.باشد فرایندهای ذکر شده در محیط متلب پیاده سازی شده است. میتوان استنتاج کرد که این یکپارچه سازی باعث افزایش کارایی تشخیص سرطان سینه نسبت به شبکه عصبی پایه شده است.

کلیدواژه ها:

الگوریتم ژنتیک ، تشخیص سرطان سینه ، شبکه عصبی مصنوعی ، مدل یکپارچه