Drücken Sie „Enter“, um den Inhalte zu überspringen

Auf Schwarmintelligenz basierende Clustering-Technik zur automatisierten Erkennung von Läsionen und Diagnose von Psoriasis. – PubMed

Dies ist ein automatisch übersetzter Artikel. Er kann nur einer groben Orientierung dienen. Das Original gibt es hier: pubmed: psoriasis

HINTERGRUND:

Bei Psoriasis-Hauterkrankungen entwickeln sich Psoriasis-Zellen schnell als normale gesunde Zellen. Dieses schnelle Wachstum führt zur Ansammlung abgestorbener Hautzellen auf der Hautoberfläche, was zu dicken Flecken roter, trockener und juckender Haut führt. Diese Pflaster oder psoriatischen Hautlegionen können ähnliche Eigenschaften aufweisen wie gesunde Haut, was die Erkennung von Läsionen schwieriger macht. Für eine genaue Krankheitsdiagnose und Schweregraderkennung ist jedoch die Segmentierung der Läsionen von größter Bedeutung. In diesem Zusammenhang hatte unsere Gruppe zuvor eine Segmentierung der Psoriasis-Läsionen unter Verwendung des herkömmlichen Clustering-Algorithmus durchgeführt. Es leidet jedoch unter der Einschränkung, in die lokalen suboptimalen Schwerpunkte der Cluster zu fallen.

ZIELSETZUNG:

Das Hauptziel dieser Arbeit ist die Implementierung einer optimalen Läsionssegmentierungstechnik mit dem Ziel der globalen Konvergenz, indem die Wahrscheinlichkeit des Einfangens in die lokalen Optima verringert wird. Dies wurde durch die Integration von Algorithmen auf der Basis von Schwarmintelligenz mit herkömmlichen Clustering-Algorithmen für K-Mittelwerte und Fuzzy-C-Mittelwerte (FCMs) erreicht.

METHODIK:

Es gibt insgesamt acht verschiedene geeignete Kombinationen aus konventionellem Clustering (dh K-Mittel und Fuzzy-C-Mittel (FCM)) und vier Schwarmintelligenz-Techniken (SI) (dh Sucheroptimierung (SO), künstliche Bienenkolonie (ABC) , Ameisenkolonieoptimierung (ACO) und Partikelschwarmoptimierung (PSO)) wurden in dieser Studie implementiert. Die Experimente werden mit dem Datensatz von 780 Psoriasis-Bildern von 74 Patienten durchgeführt, die in der Psoriasis-Klinik und im Forschungszentrum, Psoriatreat, Pune, Maharashtra, Indien, gesammelt wurden. In dieser Studie setzen wir Techniken zur Optimierung der Schwarmintelligenz in Kombination mit den herkömmlichen Clustering-Algorithmen ein, um die Wahrscheinlichkeit der Konvergenz zur optimalen globalen Lösung und damit die Clusterbildung und Erkennung zu verbessern.

ERGEBNISSE:

Die Leistung wurde anhand von vier Indizes quantifiziert, nämlich Genauigkeit (A), Sensitivität (SN), Spezifität (SP) und Jaccard-Index (JI). Unter den acht verschiedenen Kombinationen von Clustering- und Optimierungstechniken, die in dieser Studie berücksichtigt wurden, übertraf FCM + SO mit einem Mittelwert von JI = 0,83, einem Mittelwert von A = 90,89, einem Mittelwert von SN = 92,84 und einem Mittelwert von SP = 88,27. FCM + SO war mit 96,67% des Zuverlässigkeitsindex statistisch signifikant signifikanter als andere Ansätze.

FAZIT:

Die erhaltenen Ergebnisse spiegeln die Überlegenheit der vorgeschlagenen Techniken gegenüber herkömmlichen Clustering-Techniken wider. Daher wird unsere Forschungsentwicklung zu einer objektiven Analyse für die automatische, genaue und schnelle Diagnose von Psoriasis führen.

Gib den ersten Kommentar ab

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Mission News Theme von Compete Themes.