مدل یادگیری عمیق مبتنی بر الگوریتم بهینه سازی پرستوی دریایی برای تشخیص تومورهای NSCLC

عنوان فارسی مقاله:مدل یادگیری عمیق مبتنی بر الگوریتم بهینه سازی پرستوی دریایی برای تشخیص تومورهای NSCLC

چکیده

سرطان ریه یکی از شایع‌ترین علل مرگ و میر ناشی از سرطان در دنیای مدرن است. غربالگری ندول های ریه برای تشخیص زودهنگام برای تسهیل درمان که سرعت توانبخشی بیمار را بهبود می‌بخشد، ضروری است. افزایش دقت در تشخیص سرطان ریه برای حفظ میزان ماندگاری بیمار حیاتی است، اگرچه چندین کار تحقیقاتی در این حوزه انجام شده است. علاوه بر این، سیستم کلاسیک نمی‌تواند سلول‌های سرطانی با اندازه‌های مختلف را به طور دقیق و با قابلیت اطمینان عالی تقسیم کند. این مقاله یک مدل یادگیری عمیق مبتنی بر الگوریتم بهینه سازی پرستوی دریایی برای تشخیص تومورهای سرطان ریه سلول غیر کوچک (NSCLC) با دقت افزایش یافته پیشنهاد می‌کند. ما در مورد الگوریتم‌های مختلفی برای تشخیص مدل‌هایی بحث می‌کنیم که از روش تقسیم‌بندی Otsu برای جداسازی کامل گره‌های ریه استفاده می‌کنند. سپس، الگوریتم بهینه‌سازی پرستوی دریایی (SHOA) برای پارتیشن بندی ندول‌های سرطانی با تعریف بهترین ویژگی‌ها، که به بهبود دقت تشخیصی کمک می‌کند، اتخاذ می‌شود. همچنین از یک الگوی باینری محلی (LBP) برای تعیین بازیابی ویژگی مناسب از گره‌های ریه استفاده می‌کند. علاوه بر این، طبقه‌بندی‌کننده‌های مبتنی بر CNN و GRU را برای شناسایی بدخیم یا غیر بدخیم بودن ندول‌های ریه بسته به ویژگی‌هایی که در طول فرآیند تشخیص بازیابی می‌شوند، اتخاذ می‌کند. نتایج تجربی این مدل DNN بهینه شده با SHOA به دقت ۹۸٫۳۲ درصد بهتر از طرح‌های پایه مورد استفاده برای مقایسه دست یافت.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Sooty Tern Optimization Algorithm-Based Deep Learning Model for Diagnosing NSCLC Tumours

Abstract

Lung cancer is one of the most common causes of cancer deaths in the modern world. Screening of lung nodules is essential for early recognition to facilitate treatment that improves the rate of patient rehabilitation. An increase in accuracy during lung cancer detection is vital for sustaining the rate of patient persistence, even though several research works have been conducted in this research domain. Moreover, the classical system fails to segment cancer cells of different sizes accurately and with excellent reliability. This paper proposes a sooty tern optimization algorithmbased deep learning (DL) model for diagnosing non-small cell lung cancer (NSCLC) tumours with increased accuracy. We discuss various algorithms for diagnosing models that adopt the Otsu segmentation method to perfectly isolate the lung nodules. Then, the sooty tern optimization algorithm (SHOA) is adopted for partitioning the cancer nodules by defining the best characteristics, which aids in improving diagnostic accuracy. It further utilizes a local binary pattern (LBP) for determining appropriate feature retrieval from the lung nodules. In addition, it adopts CNN and GRU-based classifiers for identifying whether the lung nodules are malignant or non-malignant depending on the features retrieved during the diagnosing process. The experimental results of this SHOA-optimized DNN model achieved an accuracy of 98.32%, better than the baseline schemes used for comparison.