بهبود کارایی اتوماتای یاد گیر سلولی در تشخیص تومور مغزی از روی تصاویر MRI با استفاده از الگوریتم ژنتیک

بررسی تصاویر MRI یک روش معمول و متداول در پزشکی جهت کشف بیماری ها و تشخیص تومورهای مغزی است. روش ها، مدل ها و الگوریتم های گوناگون هوش مصنوعی جهت پردازش، بخش بندی و خوشه بندی این تصاویر به کار گرفته شده است. در این پژوهش جهت خوشه بندی ناحیه تومور در تصاویر MRI از پردازش تصویر و اتوماتای یاد گیر سلولی 30 قانونی استفاده شده و برای پاداش و جریمه هرکدام تعداد 10 قاب تعریف و جهت بهبود فرآیند خوشه بندی، قاب ها با استفاده از الگوریتم ژنتیک هرس شده است. انتخاب ناحیه مطلوب برای تومور به عنوان تابع هزینه و میزان جمعیت اولیه با 10 متغیر و Mutation و Cross Over به میزان 10%، تعداد تکرار 200 بار برای الگوریتم ژنتیک در نظر گرفته شده است. فرآیند خوشه بندی بر روی 40 تصویر رزونانس مغناطیسی از یک پایگاه داده پزشکی انجام و نتایج نشان داد با ترکیب روش اتوماتای یاد گیر سلولی و الگوریتم ژنتیک معیارهای ارزیابی صحت 4%، دقت %9,3، بازخوانی 4% و حساسیت 5% نسبت به اتوماتای یاد گیر سلولی منفرد بهبودیافته اند.