Signal and Data Processing

fa ارائه‌ مدل‌های محاسبات نرم مبتنی بر فازی، تکاملی و هوش جمعی در تحلیل تصاویر ماموگرافی جهت تشخیص تومور‌های سینه Soft Computing Methods based on Fuzzy, Evolutionary and Swarm Intelligence for Analysis of Digital Mammography Images for Diagnosis of Breast Tumors مقالات گروه علائم حیاتی ( مرتبط با مهندسی پزشکی) Paper كاربردي Applicable مدل‌های محاسبات نرم مبتنی بر سامانه‌های هوشمند فازی درتشخیص سرطان سینه، امکان مدیریت عدم قطعیت در فرایند استدلال در سامانه‌ را فراهم می‌کند.در این پژوهش، یک مدل استنتاج فازی به‌منظور مدیریت عدم قطعیت در داده‌های ورودی طراحی شده است و الگوریتم‌های هایبریدی مبتنی بر فازی جهت تنظیم و بهینه‌سازی پارامتر‌ها، به کار برده شده‌اند. هدف، ارائه روش‌های مؤثر جهت تشخیص نوع توده‌های خوش‌خیم، بدخیم و نرمال سینه است. طبقه‌بندی توده‌ها جهت تشخیص موارد نرمال، خوش‌خیم و بدخیم با مدل‌های هایبریدی محاسبات نرم و بر اساس تحلیل ویژگی‌ها در تصاویر ماموگرافی انجام شده است. الگوریتم‌های هایبریدی ارایه‌شده در این پژوهش شامل1 ) فازی- ژنتیک، 2) فازی- بهینه‌سازی ازدحام ذرات و 3) فازی- بهینه‌سازی مبتنی بر جغرافیای زیستی است. به‌منظور سنجش عملکرد سامانه از تحلیل منحنی مشخصه(ROC)و همچنین از روش اعتبار‌سنجی تقاطعی ده‌بخشی جهت تقسیم‌بندی داده‌ها به بخش‌های آموزش و آزمون برای به‌دست‌آوردن نتایج قابل اعتماد و اعتبار‌سنجی استفاده شده است. نوآوری پژوهش حاضر در ارایه مدل پیشنهادی هایبریدی فازی- بهینه‌سازی مبتنی بر جغرافیای زیستی و بهبود عملکرد مدل طبقه‌بندی جهت تشخیص سرطان سینه است. روش‌ جدید هایبریدی فازی- بهینه‌سازی مبتنی بر جغرافیای زیستی ارایه‌شده به‌منظور تشخیص سرطان سینه در این پژوهش، عملکرد بالاتری نسبت به روش‌های موجود بر روی این بانک اطلاعاتی معتبر و معروف جهت تشخیص سرطان سینه داشته است. باتوجه به نتایج به‌دست آمده و مقایسه عملکرد مدل‌های هایبریدی پیشنهادی در این پژوهش، روش ‌هایبریدی فازی مبتنی بر جغرافیای زیستی با میزان صحت 25/95% از عملکرد بهینه‌تری نسبت به روش‌های هایبریدی پیشنهادی دیگر جهت تشخیص سرطان سینه برخوردار است. مدل حاضر در مقایسه با سایر مدل‌های پیشنهادی در پژوهش‌های قبلی بهبود یافته است. استفاده از مدل‌های پیشنهادی در این پژوهش، می‌تواند به‌منظور تشخیص زود‌هنگام بیماری و ارائه درمان‌های مؤثر امید‌بخش باشد.   Soft computing models based on intelligent fuzzy systems have the capability of managing uncertainty in the image based practices of disease. Analysis of the breast tumors and their classification is critical for early diagnosis of breast cancer as a common cancer with a high mortality rate between women all around the world. Soft computing models based on fuzzy and evolutionary algorithms play an important role in advances obtained in computer aided detection (CAD) systems. Combination of the evolutionary nature of swarm intelligence algorithms in optimization along with the potential of fuzzy models to cope with uncertainty and complex environments. In this research, a fuzzy inference model has been proposed for managing uncertainty in input data. The main uncertainty issues for classification of the breast tumors were modeled through the linguistic terms, fuzzy variables and fuzzy reasoning processes in the fuzzy inference model. Fuzzy linguist terms and rule sets are valuable to have an intelligent model with the ability to interact with the clinicians. Furthermore, hybrid fuzzy-evolutionary models have been proposed for tuning fuzzy membership functions for diagnosis of malignant and benign breast tumors. The hybrid proposed evolutionary methods are: 1) Fuzzy-Genetic, 2) Fuzzy-Particle swarm intelligence, and 3) Fuzzy-biogeography models. Evolutionary nature inspired combination with the fuzzy inference model (FIM) improves the proficiency of the FIM by adaption to the environment through the tuning process using training and testing datasets. To achieve this, the Genetic Algorithm was applied as a base evolutionary method. Then, the potential of the Particle Swart intelligence algorithm in using local and global experiences of the solutions in the search space. Also, bio-geographical aspects of species in finding an optimum solution lands with the high suitability habitat index has been concentrated in optimization process of the FIM. Evolutionary algorithms perform tuning of the fuzzy membership functions to improve the accuracy of the fuzzy inference model while simplicity and interpretability of the FIM was kept. For performance evaluation, an ROC curve analysis was conducted which is a robust and reliable technique that represents the trades of between classification model benefits and costs. Also, for validation purpose, a 10-fold cross-validation technique was performed for partitioning the dataset into training and testing sets in the evolutionary optimization algorithms. The performance of the proposed methods were evaluated using a dataset including 295 images and extracted features from mammographic image analysis society (MIAS) dataset. The results reveal that the hybrid Fuzzy-biogeography model outperforms the other evolutionary models with an accuracy and area under the ROC curve (AUC) of 95.25%, and 91.43%, respectively. Performance comparison of the hybrid evolutionary models in this study with the related methods for classification of the breast tumors on the MIAS dataset reveals that the fuzzy-biogeography model outperforms the other methods in terms of trades-off between accuracy and interpretability with an area under the ROC curve of 95.25% with four extracted features. The Fuzzy-GA and Fuzzy-Swarm Intelligence models are competitive with the best results of counterpart methods with an accuracy of 93.9% and 94.58% in terms of the AUC, respectively. The proposed fuzzy-evolutionary models in this study are promising for diagnosis of the breast tumors in early stages of the disease and providing suitable treatment.   سیستم استنتاج فازی, محاسبات نرم, الگوریتم‌های هایبریدی فازی-تکاملی, فازی-بهینه‌سازی ذرات و فازی-جغرافیای زیستی, تومور‌های سینه Fuzzy Inference System, Soft Computing, Hybrid Evolutionary Algorithms, Breast Tumours 147 165 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-618-2&slc_lang=fa&sid=1 Elnaz Khodadadi الناز خدادای universityhosseini@gmail.com 10031947532846007912 10031947532846007912 No گروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران Rahil Hosseini راحیل حسینی rahilhosseini@gmail.com 10031947532846007913 10031947532846007913 Yes گروه مهندسی کامپیوتر، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران Mahdi Mazinani مهدی مزینانی mahdi_mazinani@yahoo.com 10031947532846007914 10031947532846007914 No گروه مهندسی برق، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران