17440

17440

ارائه‌ي نگاشت ادراكي جديد بر مبناي تركيب قواعد فازي و شبكه‌هاي بيزين براي طبقه‌بندي تصاوير پزشكي

كارشناسي ارشد

الكترونيك

بهمن 1395

دكتر كريم محمدي

-

برق

در اين پايان‌نامه يك روش جديد برمبناي تركيب نگاشت‌شناختي‌فازي مرتبه‌بالا (HFCM) و ماشين بردار پشتيبان (SVM)، براي دسته‌بندي بيماري سلياك (CD) ارائه مي‌كنيم. CD يك اختلال پيچيده است كه پيشرفت آن با تركيب ژنتيك (آلل‌هاي HLA) و مصرف گلوتن كنترل مي‌شود. بيماران سلياكي كه تحت درمان قرار نمي‌گيرند، در معرض خطر بالاي ابتلا به سرطان و لنفوم بدخيم هستند. جهت بهبود كارايي و افزايش توانايي كلاسه‌بندي HFCM از الگوريتم بهينه‌سازي گروهي ذرات (PSO) بهره مي‌بريم. اين روش كه شيوه تفكر انسان را مدل مي‌كند، از جديدترين شيوه‌ي دسته‌بندي شامل سه‌ گريد A، B1 وB2 ، استفاده مي‌كند. به‌منظور ارزيابي عملكرد، اين روش به 89 بيمار اعمال مي‌شود. نتايج شبيه‌سازي برتري روش پيشنهادي را در مقايسه با شبكه‌هاي بيزين مبتني بر قواعد نشان مي‌دهند. با توجه به اينكه مدل‌هاي گسترش يافته‌ي PSO، كارايي آن را به لحاظ سرعت همگرايي، بهينگي كلي، دقت راه‌حل و قابليت اطمينان الگوريتم افزايش مي‌دهند، در اين پژوهش از الگوريتم‌هايي مانند PSO تطبيقي (APSO) و PSO آشوبگر (CPSO) بهره مي‌بريم. APSO كارايي جستجو بهتري نسبت به PSO كلاسيك نشان مي‌دهد و مي‌تواند يك جستجوي كلي بر تمام فضاي جستجو با سرعت همگرايي بيشتري انجام دهد. هم‌چنين روش‌هاي CPSO، به حفظ تنوع جمعيت ذرات در PSO كلاسيك، براي جلوگيري از همگرايي زودرس رسيدگي مي‌كنند. نتايج حاصل از اعمال CPSOهاي گوناگون و APSO با PSO كلاسيك مقايسه مي‌شوند. نتايج عددي مشخص مي‌كنند كه تركيب HFCM مرتبه‌ي چهار آموزش ديده توسط CPSO (CPSO_V) با SVM حداقل مربعات، براي سه گريد A ، B1و B2، با درصدهاي 67/91%، 88/87% و 75/93% دقت بالاتري را ارائه مي‌دهد. واژه‌هاي كليدي: بيماري سلياك، نگاشت‌هاي شناختي فازي، شبكه‌هاي بيزين، الگوريتم بهينه‌سازي گروهي ذرات، كلاسه بندي

1396/03/20

1/1/1900 12:00:00 AM

In this thesis, we provide a new method based on a combination of high-order fuzzy cognitive map (HFCM) and support vector machine to classify celiac disease (CD). CD is a complex disorder whose development is affected by genetics (HLA alleles) and gluten ingestion. The celiac patients who are not treated are at a high risk of cancer, malignant lymphoma, and small-bowel neoplasia. Therefore, CD diagnosis and grading is of paramount importance. To improve the efficiency and increase the capability of HFCM classification, we use particle swarm optimization (PSO) algorithm. This approach, which models the human thinking process, uses the most recent method of CD grading, including the A, B1 and B2 grades. In order to eva​luate the performance, this method is applied to 89 patients. The simulation results show the superiority of the proposed method compared with rule-based Bayesian networks. Given that extended models of PSO enhance its efficiency in terms of rate of convergence, global optimality, the solution accuracy and reliability of the algorithm, in this paper, we use algorithms such as adaptive PSO (APSO) and chaotic PSO (CPSO). APSO shows better search efficiency than classical PSO and can do a global search on all search space with more rate of convergence. Also CPSO methods maintain particles' population diversity in classical PSO to prevent premature convergence. The results of applying different CPSOs and APSO are compared with classical PSO. The best results in this case, which are achieved by applying the CPSO, are 91.67%, 90.91% and 93.75% for the A, B1 and B2 grades, respectively. Therefore, the highest grading precisions are achieved by using the combination of fourth order learned HFCM by CPSO and least squares SVM. Keywords: Celiac disease, fuzzy cognitive maps, bayesian networks, grading