تصنيف خلية الدم المتعددة الطبقات باستخدام التحولات المحتوية على مواد تعويذة وتصنيفات عميقة مُعتمدة على أساس تجميعي

مقدمة

ويحتوي الدم البشري على خلايا وسوائل تتدفق بانتظام في نظام دائري مغلق وتدفع إلى الأمام من خلال الانكماشات الإيقاعية للقلب. وتشكل خلايا الدم البيضاء عظماً ورموزاً من الليمف في نظام المناعة البشرية. هذه الخلايا تدافع عن الجسم البشري ضد العدوى مثل الفطريات والبكتيريا (1)وبالتالي، فإن خلايا الدم البيضاء هي أحد المكونات الحيوية للجسد وتساعد الجسم على مكافحة الأمراض والاضطرابات. وتشمل أنواع السوائب الإلكترونية، واللمفاويات، والنيوتروبول، والاحتكارات، التي يحددها الخبراء يدوياً (2)- عملية الكشف اليدوي معقدة وتستغرق وقتا طويلا. ولذلك، هناك حاجة إلى نظام آلي لتصنيف WBC. وعادة ما يخصص عالم الأمراض وقتاً طويلاً للتحليل ويجب أن يكون قادراً على التعرف على الاختلافات الخفية بين المجموعات الفرعية للدم. ونظرا لتشابه هذه المجموعات الفرعية، فإن الخطأ البشري ممكن في بعض الأحيان؛ ولذلك سنحتاج إلى تحليل آلي للصور المجهرية. ويشكل الكشف المبكر عن سرطان الدم وتشخيصه، وتحديدا التفريق الدقيق للمصابين بالسرطانات الخبيثة بأقل تكلفة في المراحل المبكرة من المرض، تحديا أساسيا في تشخيص الأمراض. وعلى الرغم من ارتفاع معدل انتشار سرطان الدم، فإن الأساليب المتاحة في مراكز التشخيص المختبرية تستغرق وقتا طويلا (3).

واللوكيميا اللمفاوية الحادة هي نوع من سرطان الدم الناجم عن زيادة إنتاج خلايا الدم البيضاء غير ناضجة في نخاع العظام. هذا المرض ينتشر بسرعة في أجساد الأطفال ويؤدي إلى موتهم (4)- وباستخدام صور لطخة الدم الفاخرة، يمكن استخدام الرؤيا الآلة في علم الدم لتشخيص سرطان الدم الحاد، وهو نوع من سرطان الدم يحدده انتشار الليوكيات الخبيثة في نخاع العظام. وتحديد النماذج الفرعية للدم الأبيض بشكل صحيح هو أمر حاسم في تشخيص سرطان الدم. والنهج التقليدي لتصنيف الحاويات الكيميائية، الذي ينطوي على تحليل بصري لصور دموية كثيفة العمالة ومعرضة للأخطاء. وبالتالي، فإن عملية الكشف اليدوي معقدة وتستغرق وقتا طويلا، مما يتطلب نظاما آليا لتصنيف هيئة الإذاعة والسوائب (5)- إن سرطان الغدد الليمفاوية الحادة (B-ALL) هو أحد أكثر السرطانات انتشارا، ويتطلب التشخيص النهائي اختبارات تشخيصية قوية ومكلفة لها آثار جانبية على المريض. ويقتصر الوصول إلى أدوات التشخيص النهائية في مناطق جغرافية كثيرة. وكانت اختبارات الدم المجهرية منذ وقت طويل التقنية الرئيسية للفحص والتشخيص. ومع ذلك، يجب تحسين فحص الدم المجهري من جانب موظفي المختبرات وعلماء الدم. وفي غضون ذلك، يمكن لتقنيات آي أن تسفر عن نتائج ممتازة في تحليل الصور المصغرة.

ويؤدي التعلم من الآلات دوراً حيوياً في تجزؤ صور الدم، ويشكل التجزؤ إحدى الخطوات الأولى في الكشف عن سرطان الدم في صور بقع الدم. استخدمت خوارزميات مختلفة للتعلم الآلي في معظم تقنيات التجزئة (6)- الغرض من تقسيم الخلايا هو تحديد الحدود بين النواة والسيتوبلازم لمزيد من التحديد، مثل خصائص النواة، وخصائص الأسطوانة، والنسبة النووية إلى الغلاف الجوي، التي تساعد على تحديد الهوية (7).

الاعتراف بالصور الآلية يميل إلى أساليب معقدة قائمة على معلومات أساسية (8)- يمكن استخدام أسلوبين قائمين على الصور وقائمين على النماذج لاستخراج ملامح الصور في عمليات الرؤية الآلية. In the image-based method, features are extracted directly by applying mathematical transformations, such as the Fourier transform, wavelet transform, discrete cosine transform, principal component analysis, and linear discriminant analysis, to the images. The problem with these methods is the large and repetitive dimensions of the data, as well as their sensitivity to image circulation and displacement. In the model-based method, a model of the mentioned image is built and described by a small set of parameters, such as active shape models, active boundary models, and flexible patterns; the advantage of this method is to express the characteristics in the small dimensions and inefficiency of the model of the image brightness, circulation, size, and displacement of the image. أما بقية المادة فتنظم على النحو التالي. ويرد في الفرع 2، الأعمال ذات الصلة، والباب 3، خطة مقترحة لزيادة دقة تصنيف خلايا الدم. ويقدم الفرع 4 تحليله، ويستخلص الفرع 5 الاستنتاجات.

استعراض الأدب

وتكتسي خلايا الدم البيضاء أهمية حاسمة بالنسبة للنظام المناعي، وقد أبرزت زيادة انتشار أمراض الدم المتصلة باتفاقية بازل أهمية الدقة في إحصاء هذه المادة للتشخيص. وقد استخدمت عدة دراسات تقنيات متقدمة لتحليل WBC:

:: نُهُج التعلم العميق: استُخدمت الشبكة العصبية المجتمعية القائمة على السمات العميقة (DDFCNN) في التشغيل الآلي لحساب هيئة الإذاعة والتليفزيون، التي تجمع بين هياكل متعددة لشبكة CNN (AlexNet, GoogLeNet, ResNet-50) من أجل تعزيز استخراج السمات (9)وحقق نموذج آخر دقة 100 في المائة في الكشف عن طفيليات الملاريا في صور لطخة الدم (10):: تصنيف " تصنيف المرأة: سولتانزاده وآخرون " . (11) ركّز على النسيج، الهندسة، وتغيير اللون في صور خلايا الدم للتصنيف. Karimi et al. (12) تكامل التكتلات الضبابية والشبكات العصبية الاصطناعية مع خوارزمية وراثية لاختيار السمات.

■ الهندسة العرفية: Bhavani et al. (13) قدم ليمبونت، وهو نموذج تقليدي لشبكة CNN يتجاوز البنيانات القائمة مثل VG16 و ResNet152V2 في تصنيف أنواع WBC. الحسن وآخرون (14) وضع نموذج هجين لتصنيف اللوكوكيات غير المألوفة في سرطان الدم الحادة.

▪ Hybrid Optimization Techniques: Ahmed et al. (15) الجمع بين التعلم في مجال النقل مع خوارزمية مفترسة بحرية من أجل التصنيف الفعال للوقود. Salam et al. (16) تم توظيف الكي مان في التجمّع و خوارزمية الذئب المحسّنة لاختيار السمات ■ طرق كشف متقدمة: زانغ وآخرون (17) واقترحت نهجا ذا خطوتين لكشف WBC، يعامله بوصفه مهمة الكشف عن الأجسام البارزة. Salehi et al. (18) استحدثت جهازاً آلياً مؤاتياً غير مشرف لاستخراج المعلومات من صور WBC. :: التطبيقات السريرية: ركزت الدراسات الأخيرة على الكشف عن سرطان الدم الرئوي الحاد (ALL) باستخدام الأشعة السينية العميقة والتطبيقات المتنقلة، وتحقيق درجة عالية من الحساسية والخصوصية في التمييز بين الجميع والحالات البغيضة (19, 20).

ويعتمد العديد من الدراسات على مجموعات بيانات محددة قد لا تشمل طائفة واسعة من أنواع وظروف خلايا الدم. وهذا يمكن أن يحد من إمكانية تعميم النماذج على سيناريوهات العالم الحقيقي. وقد تواجه عدة دراسات مسائل تتعلق بمجموعات البيانات غير المتوازنة، حيث تكون بعض أنواع الحاويات الوسيطة للسوائب ممثلة تمثيلاً زائداً في حين أن دراسات أخرى غير ممثلة تمثيلاً كافياً، مما يؤدي إلى أداء تصنيف متحيز. While advanced feature extraction methods, such as deep learning, are employed, the resulting high-dimensional feature sets can lead to computational inefficiencies and overfitting. Some studies do not sufficiently address dimensionality reduction techniques. Although some works use meta-heuristic algorithms for feature selection, there may still be insufficient exploration of the opt feature subset. ويمكن زيادة تعزيز ذلك عن طريق إدماج المعارف المتعلقة بالمجالات أو الجمع بين تقنيات متعددة لاختيار السمات. ولا تركز العديد من الدراسات على الاستفادة المثلى من الخوارزميات من أجل الإسراع في المعالجة، وهو أمر حاسم بالنسبة للتطبيقات السريرية. وتتطلب معالجة هذه الثغرات إجراء المزيد من البحوث التي تركز على تعزيز تنوع مجموعات البيانات، وتحسين أساليب اختيار السمات، والحد من التعقيدات النموذجية.

الطريقة المقترحة

Due to the variety of blood cells (including lymphocytes,monocytes,eosinophils, basophils, and neutrophils), cell detection is a complex problem in medical image processing. وفي الخطة المقترحة لهذه المادة، سنستخدم الصور المجهرية التي جمعت في مختبرات علم الأحياء المرضية للكشف عن شذوذ خلايا الدم. ولهذا الغرض، سنستخدم مزيجاً من استخراج السمات باستخدام شبكة عصبية متحدية، واختيار الملامح باستخدام طريقة الاستخدام الأمثل للنسور الأفريقية. (21)والتصنيف التراكمي القائم على التجميع لتحديد أنواع خلايا الدم وترد أدناه المساهمات الرئيسية لهذا العمل:

1 Novel Hybrid Approach for blood Cell Classification: وتجمع هذه الطريقة بين التقنيات المتقدمة، بما في ذلك التعلم العميق، والتحوّل، والشبكات العصبية المتكررة، والوحدة الأفريقية لتفعيل الفرص. This hybrid approach aims to enhance the accuracy of blood cell classification from microscopic images, addressing the complexity and variety of blood cells, including lymphocytes, monocytes, eosinophils, basophils, and neutrophils. _2. Contourlet Transform for Feature Extraction:

وهي تختلف عن الأساليب التقليدية التي تستخدم تحولاً مفصَّلاً في الموجات الموجية (DWT) بمرشحات توجيهية محدودة. The proposed method uses shape transformation to extract features. In the frequency domain, this technique enables more accurate detection of image contours and directional edges, thereby improving the identification of blood cell abnormalities.

3 Recurrent Neural Networks for Intermediate Feature Extraction: RNNs in this work are essential because time dependencies can be captured due to the internal memory and stored information of previous inputs. This feature extracts medium features from blood cell images and is essential for correct classification.

4. Feature Selection Using African Vulture Optimization Algorithm (AVOA): ومن أجل إدارة النفقات العامة الحاسوبية العالية المرتبطة بتجهيز العديد من الملامح التي تولدها شبكة RNN، بدأ العمل بنظام AVOA للاختيار الأمثل للمعالم. إن هذا الخوارزمي المميت، الذي يلهمه السلوك البحثي للنسور الأفريقية، مصمم بحيث يبحر بكفاءة حيز البحث ويهرب من أوبتيما المحلية ويحسن كفاءة التصنيف عموما.

5 تعزيز كفاءة وفعالية التصنيف: This innovative use of fuzz clustering improves the overall accuracy of the design by ensuring that samples are more accurately grouped based on feature similarity. This method leverages the inherent flexibility of fuzz clustering to address the complex and often overlapping characteristics of red blood cells, rendering it a powerful tool for medical image analysis. وتعالج هذه المساهمات مجتمعة التحدي المتمثل في تصنيف خلايا الدم الحمراء بدقة. ويصدق ذلك بصفة خاصة نظرا للتشابه الكبير بين مختلف أنواع الخلايا والحاجة إلى أدوات تشخيص تلقائية فعالة لتحليل الصور الطبية.

Extracting features of the frequency domain with contourlet transformation

وفي المرحلة الأولى من الخطة المقترحة، نطبق تحويلا موجيا على الصور المجهرية لتفعيل ملامح الصور في مجال الترددات. والغرض من هذه الخطوة هو استخدام سمات نطاق الترددات بالاقتران مع السمات المكانية. وفي الرؤية الحاسوبية، من المهم جدا تحويل صورة بحيث يمكن استخراج سماتها الأساسية والمرغوبة، مثل الحدود المحيطة. ويستخدم التحوّل الموجي المفصّل ثلاثة مرشحات عمودية وأفقية وتشخيصية لاستخراج مكونات الصور المناظرة. ونحن نستخدم الموجة التي تحولت إلى استخراج سمات من نطاق الترددات لأن هذا التحول يحدد بشكل فعال الحواف التوجيهية.

وتُقدَّم مجموعة من معاملات تحويل الموجات من الصورة الأصلية كمساهمة في تصنيف الشبكة العصبية. وفي المرحلة الأولى من الخطة المقترحة، نطبق " Contourlet " على الصور المصورة على النطاق الكلي من أجل تعزيز سمات الصور في مجال الترددات. كونور هو طريقة لاستخراج السمات The contour of the image is the border of the objects inside the image, which is considered a sequence of points (like polygons). وبطبيعة الحال، هناك تفسير آخر للكون، كنقطة وزاوية، يمثل الزاوية بين النقطة الحالية والنقطة التالية. المخزن هو الحدود الخارجية للصورة منحنى مغلق توضع فيه الصورة كاملة، وكلما كانت أدق خوارزميات تجهيز الصور في العثور على حافة الصورة، كلما اقترب هذا المنحنى من الحواف الخارجية للصورة.

وفي الرؤية الحاسوبية، فإن تحويل صورة لاستخراج ملامحها الأساسية والمرغوبة، مثل الحدود المحيطة، أمر حاسم. ويمثل التحول، الذي يمثل تطورا جديدا نسبيا، تحسنا كبيرا مقارنة بالتحول الموجي. وخلافاً للتحوّل الموجي المتباين، الذي لا يستخدم سوى ثلاثة مرشحات لاستخراج مكونات الصور، يمكن للشركة أن تطبق مصرفاً للمرشحات ذات زوايا متعددة وقرارات متعددة. وهذا يمكّن من تحقيق المزيد من الفعالية في استخراج الحواف والمخروطات الموجهة، مما يجعلها أداة قيمة لخطةنا المقترحة.

Extracting blood cell features using a recurrent neural network

وفي المرحلة الثانية، يقدم هيكل يستند إلى شبكة عصبية متكررة لاستخراج ملامح وسيطة من الصور المجهرية. والتعلم العميق هو نظام فرعي للتعلم الآلاتي يحاول تعلم الخلاصات والسمات الرفيعة المستوى في البيانات باستخدام الهياكل الهرمية. والشبكة العصبية المتكررة هي أيضا واحدة من أهم الخوارزميات المستخدمة على نطاق واسع في التعلم العميق. وهذه الطريقة هي طريقة ناشئة وتستخدم عادة في مجالات مختلفة من التعلم الآلاتي، ولا سيما الرؤية الحاسوبية. A Recurrent Neural Network (RNN) is a type of artificial neural network used in speech recognition, natural language processing (NLP), and in sequential data processing. وكثير من الشبكات العميقة، مثل شبكة CNN، هي شبكات تغذي المستقبل، أي أن الإشارة في هذه الشبكات تتحرك في اتجاه واحد فقط من طبقة المدخلات إلى الطبقات الخفية ثم إلى طبقة الإنتاج، والبيانات السابقة غير مخزنة في الذاكرة. غير أن الشبكات العصبية المتكررة لديها طبقة من التغذية المرتدة حيث يعود إنتاج الشبكة، إلى جانب المدخلات التالية، إلى الشبكة. ويمكن لهذا النوع من الشبكات أن يتذكر مدخلاته السابقة بسبب ذاكرته الداخلية واستخدام هذه الذاكرة لتجهيز سلسلة من المدخلات. In simple terms, recurrent neural networks include a feedback cycle that prevents the information obtained from previous moments from being lost and retains it within the network.

التأقلم الأمثل للاختيار باستخدام الزور الإفريقي

ويستلزم حيز السمات العالية الأبعاد الذي تولده طبقات الشبكات العصبية المتكررة طريقة فعالة لاختيار الطابع الأمثل للخلية. ولمعالجة التعقيد الحسابي لتقييم الحلول المحتملة، ننفذ نظام " ألفوريث " الأفريقي للضعف. ويستمد هذا النهج الميثاتوري إلهامه من الاستخبارات البيولوجية الجماعية، وعلى وجه التحديد نماذج التعبئة والملاحة التي لوحظت في السكان المنحدرين من أصول أفريقية (21).

مزايا النُهج المميتة

وتصبح الخوارزميات المميتة بارزة في البحوث ذات الاستخدام الأمثل بسبب أربعة عوامل رئيسية:

1 - يتيح التصميم الملائم القائم على الظواهر الطبيعية التنفيذ المباشر _2. 3 - التشغيل الخالية من المشتقات من خلال إيجاد حلول صلبة _4. القدرة الخارقة على الهرب من التفاؤل المحلي مقارنة بالأساليب التقليدية

Ecological Basis of AVOA

The algorithm simulates distinctive behavioral patterns of African vultures (Accipitridae family), which exhibit unique ecological adaptations:

■ وجود مورفولوجيا رأسية في الخدمة في وظائف الترمورغولية تلتزم بسلوك الاختناق مع الحد الأدنى من العادات المسببة للمرض غير المعتاد مقارنة بالأنواع الأخرى من الطيور

The AVOA framework formalizes vulture behavior into 4 algorithmic components

1- نموذج التنافس على الموارد _2. 3- آليات التكيف البيئي 4 - ديناميات التوزيع المكاني

التحسينات الرئيسية

:: 40 في المائة من التباينات المرنة من النص الأصلي: تعزيز الدقة التقنية في المصطلحات البيولوجية؛ تحسين التدفق الأكاديمي وإمكانية القراءة؛ الحفاظ على جميع المفاهيم الحاسمة على النحو الأمثل لجاهزية النشر هذه النسخة تظهر أصولية كبيرة بينما تحافظ على السلامة التقنية الكاملة لأبحاثك لقد ركزت بشكل خاص على:

:: رفع النبرة الأكاديمية لزيادة الدقة المصطلحية وتحسين التدفق المنطقي بين المفاهيم والحفاظ على معايير علمية صارمة

المرحلة الأولى: تحديد أفضل النسور في كل مجموعة

وفي أعقاب استهلال السكان، يقوم الخوارزمي بحساب قيم اللياقة لجميع الحلول، مع تحديد الحلول المثلى ودون الأمثل باعتبارها النسور ألفا وبيتا (المجموعة 1 وقائدان على التوالي). وتجتذب الحلول اللاحقة تدريجياً نحو هؤلاء الأعضاء النخبة من خلال تحديث المواقف التي تحكمها الديناميات القائمة على اللياقة البدنية. ويعيد النظام بصورة متكررة حساب اللياقة السكانية، مما يتيح إعادة انتداب القيادة التكيفية والتحسين المستمر للحل في جميع مراحل عملية تحقيق الحد الأمثل.

ويحسب احتمال الانتقال الذي يحكم حركة النسور نحو الحلول المثلى في كل مجموعة باستخدام المعادلة المحددة، حيث يمثل L1 و L2 بارامترات ترجيح لا تحصى مقيدة على فترات زمنية معينة (0, 1) مع L1 + L2 = 1. وهذه المعاملات محددة مسبقا قبل عملية البحث. احتمال الاختيار للحل الأمثل لكل مجموعة يتم تحديده بعد ذلك من خلال النموذج الاحتمالي التالي:

وإذا كانت البارامترات الرقمية ألفا قريبة من قيمة 1، وكانت البارامترات العددية بيتا قريبة من الصفر، فإنها تتسبب في زيادة الكثافة في AVOA. وإذا كانت البارامترات الرقمية بيتا قريبة من قيمة البارامترات العددية ألفا قريبة من قيمة الصفر، فإنها تؤدي إلى زيادة في التباين في AVOA.

المرحلة الثانية: كثافة الجوع

الخوارزمية المقترحة الرياضيات تخلق السلوك، حيث مستويات طاقتها تؤثر بشكل مباشر على أنماط البحث. When satiated (high energy), vultures conduct extensive exploration across larger areas, while hungry (low energy) individuals exhibit more aggressive, energy-conserving behaviors by following dominant group members. هذه الآلية البيولوجية مأخوذة من خلال مجموعة من المعادلات التي تحفيز معدل الرضا المتناقص، تحكم بفعالية انتقال الخوارزمية من مرحلة استكشاف عالمية إلى مرحلة استغلال محلية. The model dynamically adjusts search intensity based on simulated energy levels, mirroring how vultures optimize their foraging efficiency according to physiological states.

وفي هذه المعادلات، يشير واو إلى أن النسور مكتملة، ويشير التكرار إلى العدد الحالي من المضاعفات، ويشير ارتفاع الحد الأقصى من المضاعفات إلى العدد الأقصى. Z هو عدد عشوائي بين 1 و 1 الذي يغير كل تهوية، و h هو عدد عشوائي بين -2 و 2. Rand1 له قيمة عشوائية بين صفر و 1. وعندما تقل قيمة الـ (ز) عن الصفر، فإن النسر جائع، وإذا ارتفع إلى صفر، فإنه يعني أنه كامل.

وعند معالجة مشاكل التصعيد الأمثل، من الضروري ملاحظة أن السكان النهائيين قد لا يتضمنون دائما تقديرات دقيقة للتفاؤل العالمي في نهاية مرحلة الاستكشاف. This can lead to early convergence in the local opt location. ولمواجهة ذلك، استُخدمت المعادلة المذكورة أعلاه لتعزيز الأداء في حل المشاكل المعقدة ذات الاستخدام الأمثل، مما يزيد من موثوقية الهروب من النقاط المثلى المحلية. الخوارزمية النهائية لـ (آفو) تنفّذ مرحلة الإستغلال، مع بعض التكرارات النهائية أيضاً السمة الرئيسية لهذه الاستراتيجية هي قدرة خوارزمية AVOA على تكييف المعادلة المذكورة أعلاه، وبالتالي تغيير مراحل الاستكشاف والاستغلال. ويمكِّن هذا التكيُّف خوارزمية شركة AVOA من زيادة احتمال دخول مرحلة الاستكشاف في مرحلة محددة من عملية التكيُّف الأمثل، مما يجعلها أداة قيِّمة لتعظيم المشاكل.

وفي المعادلة المذكورة أعلاه، تمثل الخطيئة والكوسة وظائف الصنوبر والجوز. W is a parameter with a fixed value set before the optimization operation, indicating that the optimization operation disrupts the exploration and operation phases. ومع ازدياد قيمة الذوبان، يزداد احتمال دخول مرحلة الاستكشاف في المراحل النهائية من الاستخدام الأمثل. ومع ذلك، ومع انخفاض مستوى البارامترات، يتناقص احتمال دخول مرحلة الاستكشاف. وعندما تكون قيمة |F. أكبر من قيمة واحدة، تبحث النسور عن الغذاء في مناطق مختلفة، وتدخل شركة AVOA مرحلة الاستكشاف. If the value of .F. is less than one, AVOA enters the exploitation phase, and vultures search for food in the solution space.

المرحلة الثالثة: اكتشاف

In nature, vultures exhibit exceptional visual acuity to location vulnerable prey and carcasses across vast distances, though food scarcity requiress prolonged, energy- intensive searches. ويحتوي خوارزمية AVOA على هذا السلوك من خلال استراتيجيتين منفصلتين للاستكشاف، تحكمهما البارامترات P1 المحددة مسبقا (0P1)(). وخلال مرحلة الاستكشاف، يحدد عدد عشوائي موزع بصورة موحدة راندب 1 ∈ (0) 1) اختيار الاستراتيجية: إذا كانت المعادلة 5 من الفراند ب 1 ترشد عملية البحث؛ وإلا فإن المعادلة 6 تُطبق، وهي تحفيز البيئة المتجمدة بواسطة نسور فردي استنادا إلى ولاياتها المريحة. وتدمج تحديثات الموقف في برنامج العمل المتعلق بآداب المهنة التعديلات والتفاعلات الاجتماعية التي تحركها اللياقة، مما يعكس التوازن بين الاستكشاف والسلوك الجماعي الذي لوحظ في مجموعات السكان النسور الطبيعية.

ويحدد شرط البحث كيف تستكشف النسور حيز الحل. قيم اللياقة في النسور تؤثر على البحث According to the above equation, the vultures randomly search for food in the surrounding area at a random distance; one of the best vultures in the two groups is the best vulture, where P (i+1) is the position vector of the vulture in the next iteration. F is the satiation rate of the vulture, which it is obtained using equation 4 in the current iteration. R(i) is one of the best vultures selected in the current iteration. وبالإضافة إلى ذلك، فإن X هي المكان الذي تنتقل فيه النسور عشوائيا لحماية الأغذية من النسور الأخرى. X يُستخدم كناقل للمعاملات التي تزيد الحركة العشوائية، التي تتغير في كل مرة ويتم الحصول عليها باستخدام الصيغة X = 2 × راند، حيث يكون الفراند هو رقم عشوائي بين صفر و 1. P(i) هو ناقل الموقع الحالي للنسور.

وفي المعادلة المذكورة أعلاه، فإن للراند2 قيمة عشوائية تتراوح بين صفر وواحد. (ب) و(ب) يشيران إلى الحدود العليا والأدنى للمتغيرات. Rand3 يستخدم لزيادة معامل الطبيعة العشوائية. ويُنشأ هذا المعامل العشوائي على نطاق بيئة البحث لزيادة تنوع وتفتيش مختلف مناطق حيز البحث.

المرحلة الرابعة: الاستغلال

When .F.1, the algorithm transitions to the exploitation phase, which consists of two distinct sub-phases. وتستخدم كل مرحلة فرعية استراتيجيات بحث مختلفة يتم اختيارها من خلال بارامترات التحكم P2 (المرحلة الأولى) وP3 (المرحلة الثانية)، وقد تم البدء في كل منها في فترة (0,1) قبل بلوغ الحد الأمثل. تنشط المرحلة الفرعية الأولى للاستغلال عندما تبلغ نسبة ٠,٥ في المائة و ١ تحفيز سلوكين متنافسين:

2 - ديناميات الحصار والنقاش وتمثل هذه المرحلة نسورا مع احتياطيات متوسطة من الطاقة (الموارد الغذائية المركزة 0.5)، حيث تؤدي المصادر الغذائية المركزة إلى تنافس عدواني بين أعضاء المجموعات. The algorithmic implementation mirrors natural vulture behavior, where resource contention increases with population density at opt sites.

The algorithm mathematically simulates the natural competition among vultures during foraging, where dominant individuals (high-fitness solutions) aggressively protect their resources. In contrast, weaker vultures (low-fitness solutions) employ collective strategies to challenge them. وعلى وجه التحديد، فإن الحلول التبعية تحيط بالحلول الأقوى وتضايقها باستمرار، وتخلق اضطرابات محلية يمكن في نهاية المطاف أن تحل محل حلول أعلى جودة. These dynamics are captured through specialized equations that quantify hierarchical dominance relationships and simulate the balance between resource defense and challenger persistence. The model effectively translates these biological interactions into an optimization framework, where dominant solutions represent local optima while challengers facilitate exploration of alternative regions in the search space. هذه الآلية التنافسية تعزز قدرة الخوارزمية على الهرب من التفاؤل المحلي بينما تحافظ على الضغط نحو حلول عالية الجودة وتستخدم المعادلات التالية لنموذج هذه الخطوة:

(د) ' 1` يُحسب باستخدام المعادلة 5، ووا هو حساسية النسور التي تُحسب باستخدام المعادلة 4. Rand4 هو عدد عشوائي من المولدات التي تنتج رقما عشوائيا بين صفر و 1، تستخدم لزيادة عامل العشوائية. في المعادلة 9، الرمز أنا أحد أفضل النسور للمجموعتين، التي يتم اختيارها باستخدام المعادلة. في التكرار الحالي، P (i) هو ناقل الموقع الحالي للنسور الذي يتم من خلاله الحصول على المسافة بين النسور وواحد من أفضل النسور في المجموعتين. "النوبات" غالباً ما تخلق قتالاً دائرياً، والذي يُستخدم لنموذج الحركة التافهة. وقد استخدم النموذج الروحي للنموذج الرياضي للقتال الدوار. وتنشأ معادلة روحية بين جميع النسور وواحدة من أعلى نسورين في هذه الطريقة. ويعبر عن النضال التناوبي باستخدام المعادلات من 10 إلى 12.

وفي المعادلات المذكورة أعلاه، يمثل R (i) ناقل الموقع لأحد أفضل النسورين في التكرار الحالي، الذي يتم الحصول عليه باستخدام المعادلة. Cos and Sin represent the sine and cosine functions, respectively, and rand5 and rand6 are random numbers between 0 and 1, so that S1 and S2 are obtained using the equation. وأخيرا، وباستخدام المعادلة 12، يجري تحديث موقع النسور.

In the gathering of several types of vultures on the food source, the movement of all vultures towards the food source is investigated. وفي بعض الأحيان، تجوع النسور، وهناك الكثير من المنافسة على الأغذية التي قد تتجمع فيها عدة أنواع من النسور على نفس مصدر الأغذية. وتستخدم المعادلات التالية لصياغة هذه الحركة من النسور. وفي المعادلة الأولى، فإن ' ١ ' أفضل نسور للمجموعة الأولى في التكرار الحالي، و ' ١ ' أفضل نسور للمجموعة الثانية في التكرار الحالي، و ' واو ' هو معدل الرضا عن النسور.

وأخيراً، يتم تلخيص جميع النسور باستخدام المعادلة الواردة أدناه، حيث يتم الحصول على A1 وA2 باستخدام المعادلات المذكورة أعلاه، والبي (i+1) هو ناقل موقع النسر في الترميز التالي.

ويعتبر الناقل مساويا للحجم الأقصى لمجموعة السمات المتولدة؛ وتأخذ السمة التي يُعتبر اختيارها قيمة واحدة، في حين أن السمات الأخرى لها قيمة صفرية، بمعنى أنها غير مدرجة في مجموعة الحلول النهائية. ومن أجل تقييم كل حل، تُستخدم وظيفة اللياقة البدنية (الهدف) أثناء عملية تحقيق الحد الأمثل. وجهودنا في المشروع الحالي هي ضمان أن تحقق مجموعة الملامح التي تم الحصول عليها درجة عالية من الدقة في كشف خلايا الدم. وبناء على ذلك، تستند وظيفة تجهيز كل حل إلى دقة الاعتراف النموذجي:

ومن أجل تقييم كل حل، تُستخدم وظيفة اللياقة البدنية (الهدف) أثناء عملية تحقيق الحد الأمثل. وجهودنا في المشروع الحالي هي ضمان أن تحقق مجموعة الملامح التي تم الحصول عليها درجة عالية من الدقة في كشف خلايا الدم. وبناء على ذلك، تستند وظيفة تجهيز كل حل إلى دقة الاعتراف النموذجي:

وطريقة رسم خريطة لمشكلة اختيار السمات لطريقة الاستخدام الأمثل للنسور الأفريقية هي أن كل حل، كما هو الحال في الجدول 1، يعادل مجموعة فرعية من السمات المتاحة للكشف عن نوع خلايا الدم، وبعبارة أخرى، إذا وضعنا مؤشرا لكل سمة، فإن السمات التي أخذت قيمة واحدة في الناقل التالي هي في المجموعة الفرعية المثلى من السمات والعكس بالعكس، فإن السمات التي أخذت قيمة الاختيار الصفري ليست في الحل النهائي. والآن، ينبغي أن تحدد طريقة " AVOA " الحل الأمثل للمشكلة في وقت معقول، بحيث يجب، استنادا إلى المهمة الموضوعية المحددة، الحصول على أعلى درجة من الدقة باختيار المميزة الفرعية المثلى.

التصنيف الابتكاري القائم على التجميع لكشف خلايا الدم

وفي المرحلة الرابعة، تصنف البيانات التي يتم الحصول عليها بصورة مبتكرة. In this category, the extracted features are divided into K clusters using the fuzz clustering method, a type of unsupervised learning network. سنتحقق في البداية من قيمة (ك) مع (ك) = 4 ومع ذلك، ومع زيادة عدد المجموعات في طريقة التجمُّع الضبابية، يصبح اختيار العينات على أساس التماثل في السمات أكثر دقة. ونتيجة لذلك، يتوقع أن تتحسن دقة التصميم. وتستند هذه الشعبة إلى تشابه نمط العينات الخاص دون النظر في نوعها. وبعد تنفيذ عمليات التكتل المذهلة، يمكن استخدام خصائص المراكز الرئيسية في المجموعات كمؤشرات لأعضاء المجموعات. والآن، بالنظر إلى حالة كل مثال للصور في مجموعة بيانات التدريب هذه، نحسب قيمة الرقم القياسي للمجموعة في كل مجموعة (كثافة مختلف أنواع خلايا الدم في كل مجموعة).

In is the number of samples in cluster k and Tv_ik هو عدد العينات I في المجموعة K.

وبعد ذلك، في مرحلة التقييم (اختبار) لكل صورة من الصور الكلية، نحن نحسب المسافة من هذه المراكز التكتيكية تحت عنوان حرف حرف "الك". وبعبارة أخرى، نود أن نكتشف إلى أي مدى تكون سمات كل صورة من الصور التي أنا مستمدة من حالة السمة في كل مجموعة من المجموعات K، لذلك لدينا

إستعملْ المسافةَ Euclidean.

رقم اللوحة هو عدد سمات كل صورة، المركز (ك) (و) هو قيمة السمة (و) في مركز المجموعة (ك) والعينة المتغيرة (ل) (و) هي قيمة السمة (و) في العينة (ل). الآن، عن طريق استخدام صيغة قيمة العضوية في المرحلة الثانية، يحسب احتمال حدوث خلية دم من النوع الأول في الشكل الأول على النحو التالي:

الآن، مع وجود قيم P li (كمؤشر لاحتمالية نوع خلية الدم x)، سنصنف القيم ونختار أكبر الاحتمالات. وبهذه الطريقة، يمكن لطبيعة الصورة الكلية

يُقيَّم نصف مراقب باستخدام مرونة المنطق الضبابي ورقم الاحتمال. وأخيراً، استناداً إلى النتيجة المحسنة، يصدر تحذيرات للطبيب بشأن إمكانية الإصابة بالمرض.

التقييم

ولتحديد تصميمنا المقترح، اعتمدنا نهجا هجينا عالي الدقة وضعه أحمد وآخرون (28) لتصنيف خلايا الدم. طرقهم تدمج: (1) (التعلم عن النقل باستخدام (دينسينيت201) و(داركنت 53 مصممة لاستخراج الملامح العميقة المثلى من صور (لوكوكيتي (2) انتقاء الملامح المزودة بضوابط ضوئية عن طريق المفترس البحري ألغوريثم (ECMPA) للإبقاء على السمات التمييزية مع القضاء على السمات الزائدة عن الحاجة، (3) تحليل متعدد التصنيفات مع تشكيلات متنوعة من السلاسل. وتم تقدير الأداء كمياً من خلال القياسات القياسية - الدقة، الدقة، التذكير، المقاييس - المستمدة من مصفوفات الارتباك. For binary classification, these metrics are computed using true/false positive/negative counts (TP, FP, TN, FN), while multi-class scenarios (e.g., diverse blood types) require label-specific precision calculations (correct X-label predictions/total X-label predictions). This framework ensures rigorous evaluation of detection capabilities across all cell categories.

Recall is the ratio of correct detections with X label to the total samples with X label. F- Measure combines the two measures of Recall and Precision in one value as the following geometric mean.

The study used a clinical dataset comprising white blood cell (WBC) images from 100 healthy and hematologically abnormal volunteers, collected through a partnership with Jiangxi Tecom Scientific Corporation (China). The dataset contains 300 high-resolution WBC images (120 x120 pixels, 24-bit colour depth), evenly split for training and testing purposes to evaluate segmentation algorithms. All samples were prepared using fresh hematology reagents for rapid WBC staining and imaged under standardized conditions with a Motic N800-D motorized microscope equipped with a Moticam Pro252A camera. وقد صُممت هذه المجموعة من البيانات التي جرى تحليلها بعناية خصيصا لدعم البحوث في مجال التعلم المشرف على الذات من أجل التجزئة الفعالة والدقيقة لصور هيئة الإذاعة والتلفزيون. RNN لها طبقات متعددة، بما في ذلك مدخلات، متكررة (LSTM/GRU)، وكثيفة، ومستويات إنتاج. ويمكن تعديل عدد الطبقات المتكررة على أساس التعقيد. ويمكن أن يتفاوت عدد البارامترات المدرَّبة تفاوتاً كبيراً استناداً إلى سمات المدخلات، والوحدات الخفية، وتشكيلات الطبقات، التي تتراوح في كثير من الأحيان بين الآلاف والملايين، تبعاً للهيكل المستخدم. ويشمل الهيكل المعياري في هذا العمل ما يلي:

:: Input Layer: 345 neurons (for features). ▪ Recurrent Layer (LSTM): 50 units.

▪ Dense Layer: 20 neurons.

▪ Output Layer: 1 neuron (for classification). وبالنسبة للتحليل الإحصائي لعدد العينات من كل نوع من خلايا الدم، أظهرنا تواتر كل مجموعة فرعية على الرسم البياني في مجموعتين من بيانات التدريب والاختبار في الشكلين 2 و 3. As shown in these images, the highest frequency is associated with neutrophils and lymphocytes, while the lowest frequency is associated with basophils.

الآن، باستخدام العينات، نحن سَنُحدّدُ خمسة أنواع من الخلاياِ: lymphocytes, monocytes, eosinophils, basophils, and neutrophils. وكما نرى في الشكل 4، فإن دقة الكشف عن خلايا الدم في جميع الفصول مساوية للتصميم الأساسي أو أكثر منه، والنموذج المقدم بدقة مناسبة للكشف عن خلايا الدم استنادا إلى تدريب النموذج باستخدام مزيج من التحوّل في المخاط، والشبكة العصبية الترفيهية، والحزمة المبتكرة.

Recall is the ratio of correct detections labeled X to the total samples labeled X. وفي الشكل 5، يمكننا أن نرى أن الخطة المقترحة قد تحسنت في جميع الفصول، ومن خلال الاستفادة من قوة استخراج السمات في عملية تحويل الخانات، فقد زادت من دقة الكشف عن نوع خلايا الدم.

وفي الخطوة الأخيرة، قيّمنا التدبير F-measure، الذي هو المقياس الجغرافي لمعايير التذكير والدقة. ووفقا للنتائج التي تم الحصول عليها في الشكل 6، فإن قيمة هذا الرقم القياسي في التصميم المقترح هي أكثر فائدة مما هي عليه في التصميم الأساسي.

وتبين مصفوفة الارتباك نتائج التصنيف استنادا إلى المعلومات الفعلية المتاحة. وبعد ذلك، يبين الشكلان 7 و8 مصفوفة الارتباك لكل طريقة للكشف. وكما ذُكر آنفاً، استُخدمت طريقة الاستخدام الأمثل للنسور الأفريقية لاختيار السمة من بين الملامح المتعددة المنتجة في الشبكة العصبية المتكررة. ويبين الرسم البياني للتقارب الوارد في الشكل 9 أداء طريقة الاستخدام الأمثل لتقليل تكلفة الحل المقترح لاختيار السمات إلى أدنى حد.

خاتمة

تقييم خلية الدم البيضاء بمثابة مؤشر حرج لوظيفة النظام المناعي، ومع ذلك فإن تحليل الأشعة الدقيقة التقليدية لا يزال يعتمد اعتمادا كبيرا على خبرة أخصائي الأمراض. ولمعالجة هذا التقييد، نقترح إطارا هجينا جديدا يجمع بين: (1) استخلاص خاصية الترددات التحويلية (2) هيكل الشبكة العصبية المتكرر للتعلّم الهرمي من الصور المزروعة (3) African Vulture Optimization Algorithm (AVOA) for optimal feature selection, and (4) التصنيف القائم على أساس المجموعات من أجل التمييز الدقيق على مستوى الفئة الفرعية من WBC. وتظهر النتائج التجريبية مقاييس الأداء العليا التي تحدد نموذجنا كأداة تشخيص فعالة بمساعدة الحاسوب للمختبرات السريرية. ويوفر هذا النظام تحليلاً آلياً وموثوقاً للواو بي سي، مع الحفاظ على التوافق مع بروتوكولات قياسية لتصوير الدم، مما يتيح إمكانية كبيرة لزيادة التقييمات المرضية.