25848

استفاده از رويكرد هيبريدي مبتني بر الگوريتم جستجوي گرانشي گروهي و خوشه بندي فازي به منظور تشخيص ابتلا به سرطان سينه

كارشناسي ارشد

مهندسي صنايع- بهينه‌سازي سيستم‌ها

1397

1400/8/30

رسول نورالسناء

كامران حيدري

مهندسي صنايع

يكي از خطرناك ترين سرطان ها در بين زنان، سرطان سينه است كه سالانه قربانيان زيادي را در سراسر دنيا مي گيرد. تشخيص به هنگام تومور مي تواند شانس زنده ماندن فرد را به طور قابل توجهي افزايش دهد كه اين امر منجر به كثرت تحقيقات در اين زمينه شده است. با توجه به محدوديت ها و مشكلاتي كه فرايند تشخيص سرطان دارد، روش هاي مبتني بر يادگيري ماشين به روش هاي متداول و موثر در اين زمينه تبديل شده اند. يكي از بزرگترين چالشها در توسعه الگوريتمهاي تشخيص الگو براي تومورهاي سرطاني و تعيين نوع آن، وجود وابستگي ميان دادهها در ابعاد بزرگ و تمييز دادن تفاوتها و شباهتهاي آنها از يكديگر است. تكنيك آناليز اجزا ( PCA) اصلي به عنوان يكي از كارآمدترين روشها در كاهش ابعاد و استخراج دادههاي خالص و با كمترين وابستگي در پژوهشهاي پيشين شناخته ميشود. با اين حال در صورت مواجهه با انبوه دادههاي داراي وابستگي غيرخطي بالا و همپوشاني بين خوشهاي، عملكرد اين تكنيك با چالشهايي رو به رو خواهد شد. در اين شرايط راه حل مورد انتظار مناسب، توسعه اين تكنيك با استفاده از رويكردهاي توابع كرنلي و خوشهبندي فازي ميباشد. با استفاده از توابع كرنلي مناسب امكان نگاشت دادهها در ابعاد بالاتر و به طور موثر فراهم شده و ارتباطات غيرخطي ميان دادهها تا زيادي شناسايي ميشود. همچنين تكنيكهاي مبتني بر محاسبات فازي اين امكان را فراهم ميآورد كه تا حد امكان از تصميمگيري سخت در تخصيص دادهها به دستههاي مختلف جلوگيري به عمل آيد. تكنيك خوشهبندي فازي c-means از روشهاي كارآمد در شناسايي الگوهاي پنهان در ميان دادهها محسوب ميشود و لذا در اين تحقيق به منظور مديريت دادههاي فازيسازي شده از محوريت اين رويكرد استفاده شدهاست. با اين حال، يكي از مشكلات اساسي در استفاده از خوشهبندي فازي c-means در حالت استاندارد امكان به دام افتادن در بهينه محلي در فرآيند دستيابي به خوشههاي بهينه ميباشد. در پژوهشهاي پيشين به منظور حل اين مشكل، تمركز بر روي يكي از دو رويكرد توسعه تابع هدف فازي به صورت كرنلي و يا تركيب الگوريتم با يك رويكرد بهينهسازي هوشمند بودهاست. در اين پژوهش به منظور دستيابي به عملكرد حداكثري علاوه بر توسعه توابع كرنلي، كه به منظور رفع مشكلات وابستگيهاي غيرخطي در مرحله استخراج داده استفاده شده است، به منظور جلوگيري از به دام افتادگي در بهينهمحلي در حين استفاده از خوشهبندي فازي، از رويكرد تركيبي با الگوريتم بهينهسازي جستجوي گرانشي گروهي استفاده شدهاست. در نهايت پس از استخراج و تعيين دقيق الگوهاي پنهان موجود در انبار داده اوليه، خروجي كار به عنوان ورودي به الگوريتم ماشين بردار پشتيبان ارائه شده تا تصميمگيري در خصوص تعيين نوع تومور شناسايي شده با بالاترين دقت ممكن انجام پذيرد.

1400/10/21

A hybrid approach for breast cancer diagnosis based on gravitational search algorithm and fuzzy clustering

1/1/1900 12:00:00 AM

One of the most dangerous cancers among women is breast cancer, which takes many victims every year around the world. Early diagnosis of a tumor can significantly increase a person's chances of survival, which has led to a wealth of research in this area. Due to the limitations and problems of the cancer diagnosis process, methods based on machine learning have become common and effective methods in this field. One of the biggest challenges in developing pattern recognition algorithms for cancerous tumors and determining their type is the dependence of large-scale data and distinguishing their differences and similarities from each other. The principal component analysis (PCA) technique is known as one of the most efficient methods in reducing the size and extraction of pure data with the least dependence in previous research. However, the performance of this technique will face challenges in the face of large amounts of data with high nonlinear dependence and cluster overlap. In this case, the expected solution is to develop this technique using kernel function approaches and fuzzy clustering. By using appropriate kernel functions, it is possible to map data in higher dimensions and effectively, and nonlinear connections between data are largely identified. Fuzzy computing-based techniques also make it possible to avoid making crisp decisions for assigning data to different categories. The fuzzy c-means clustering technique is one of the efficient methods in identifying hidden patterns among data and therefore in this research, in order to manage fuzzy data, the focus of this approach has been used. However, one of the main problems in using fuzzy c-means clustering in the standard mode is the possibility of being trapped in local optimization in the process of achieving optimal clusters. In previous studies, in order to solve this problem, the focus has been on one of the two approaches to developing a fuzzy objective function in kernel form or combining the algorithm with an intelligent optimization approach. In this study, in order to achieve maximum performance, in addition to the development of kernel functions, which have been used to solve the problems of nonlinear dependencies in the data extraction stage, in order to avoid trapping in local optimization while using fuzzy clustering, the combined approach with A group gravitational search optimization algorithm is used. Finally, after extracting and accurately determining the hidden patterns in the primary data warehouse, the output of the work is presented as input to the support vector machine algorithm to decide on the type of tumor identified with the highest possible accuracy.