No/VOL: 01/2023 Page no. 1
Authors: Esther Jebarani , N. Umadevi :
Title: Wykrywanie raka piersi w oparciu o optymalizację Gray Wolf przy użyciu klasyfikatora 1D Convolution LSTM
Abstract: Kobiety są szczególnie narażone na raka piersi. Diagnostyka raka piersi bardzo skorzystała na wykorzystaniu obrazowania ultrasonograficznego. Segmentacja obrazu UltraSound (BUS) piersi pozostaje trudnym wyzwaniem ze względu na niską jakość obrazu. Ponadto segmentacja obrazu BUS, a także klasyfikacja, jest ważnym etapem procesu analizy. Początkowo obraz związany z rakiem piersi pozyskiwany jest z bazy MIAS. Zgromadzony obraz jest poddawany wstępnemu przetwarzaniu przy użyciu techniki adaptacyjnego filtrowania medianowego. Następnie na wstępnie przetworzonych obrazach przeprowadzana jest segmentacja metodą hybrydową składającą się z GMM i K-Means. Te podzielone na segmenty obrazy przechodzą kolejne etapy ekstrakcji cech, w których cechy są wyodrębniane przy użyciu macierzy współwystępowania poziomu szarości (GLCM). Optymalizacja Gray Wolf (GWO) wybiera optymalne funkcje do dalszej klasyfikacji przy użyciu nowatorskiego rozwiązania 1D Convolution LSTM. W tym przypadku warstwa łączenia 1D CNN zostaje zastąpiona przez LSTM. Funkcją celu stojącą za optymalnym doborem i klasyfikacją cech jest maksymalizacja dokładności. Wreszcie, powieść jednowymiarowa pamięć krótkoterminowa z konwolucją jednowymiarową (1 DCLSTM) klasyfikuje wynik odpowiednio na normalny, łagodny i złośliwy. Proponowana metoda jest porównywana z innymi nowoczesnymi metodami związanymi z tymi badaniami.
Key words: rak piersi, algorytm szarego wilka, diagnostyka