Multiclass Blood Hücre Sınıflama Contourlet Dönüşümünü ve Metaheuristic-Optimized Deep Özellikler Kombinasyona Dayalı Karar Vermek

Giriş Giriş

İnsan kanı, kapalı dolaşım sisteminde düzenli olarak akan hücreler ve sıvı içerir ve kalbin ritmik sözleşmeleri ile ileri itilir. Beyaz kan hücreleri (WBC) insan bağışıklık sisteminde kemik ve lenf düğümleri oluşturur. Bu hücreler, mantarlar ve bakteriler gibi enfeksiyonlara karşı insan vücudunu savunuyorlar. (1)Bu nedenle, beyaz kan hücreleri vücudun önemli bileşenlerinden biridir ve vücudun enfeksiyonlara ve hastalıklara karşı savaşmasına yardımcı olur. WBC türleri eosinofiller, lenfositler, neutrophils ve monositler içerir, uzmanlar tarafından manuel olarak tespit edilen uzmanlar (2). Kılavuz algılama süreci karmaşık ve zaman alıcıdır. Bu nedenle, WBC sınıflandırması için otomatik bir sistem gereklidir. Tipik olarak, patolog analiz etmek için önemli zaman ayırıyor ve kan alt gruplar arasındaki ince farklılıkları tanıyabilmelidir. Bu alt kümelerin benzerliği nedeniyle, insan hatası bazen mümkündür; bu nedenle, mikroskobik görüntülerin makine analizine ihtiyacımız olacak. Leukemia'nın erken tespiti ve tanısı, özellikle de hastalığın erken aşamalarında malign leukositlerin en az maliyetinin doğru şekilde farklılaştırılması, hastalık tanısında temel bir meydan okumadır. leukemia'nın yüksek prevala rağmen, laboratuvar tanı merkezlerinde mevcut yöntemler zaman alıcıdır. (3).

Akut lenfoblastik leukemia (ALL), kemik iliğinde anormal olarak artan mutasyon beyaz kan hücrelerinin üretimine neden olan bir tür leukemidir. Bu hastalık çocukların vücutlarında hızla yayılır ve onların ölümüne yol açar (4)Aktif kan smear (PB) görüntüleri kullanarak, makine vizyonu akut leukemia (AL) teşhis etmek için hematolojide kullanılabilir. Doğru şekilde beyaz kan hücresi (WBC) alttipleri leukemia tanısında kritiktir. WBC'leri sınıflandırmak için geleneksel yaklaşım, kan smear görüntülerinin görsel analizini içerir, iş yoğun ve hata-pronedir. Sonuç olarak, manuel algılama süreci karmaşık ve zaman alıcıdır, WBC sınıflandırması için otomatik bir sistem gerektirir. (5)B-cell akut lenfoblastik leukemi (B-ALL) en yaygın kanserlerden biridir ve kesin bir teşhis hasta için yan etkileri olan agresif ve pahalı tanı testleri gerektirir. B-ALL için kesin teşhis araçlarına erişim birçok coğrafi alanda sınırlıdır. Mikrooskopik kan testleri uzun zamandır B-ALL tarama ve teşhis için birincil teknik olmuştur. Ancak, laboratuvar personeli tarafından mikroskopik kan testleri ve hematologlar geliştirilmelidir. Bu arada, AI teknikleri mikroscopy görüntü analizinde mükemmel sonuçlar üretebilir.

Makine öğrenimi kan görüntü segmentasyonunda önemli bir rol oynar ve segmentasyon, kan spot görüntülerde leukemia tespit eden ilk adımdır. Farklı makine öğrenme algoritmaları çoğu segmentasyon tekniklerinde kullanılmıştır (6). Hücre segmentasyonunun amacı, nüklemlerin özellikleri, ve nükleer-tozoplazmik oranın özellikleri gibi, daha spesifikasyon için nüklem ve cytozoplazma arasındaki sınırı tanımlamaktır. (7).

Otomatik görüntü tanıma, AI tabanlı karmaşık yöntemlere eğilimlidir (8). İki görüntü tabanlı ve model tabanlı yöntemler, makine vizyonu süreçlerinde görüntü özelliklerini çıkarmak için kullanılabilir. Görüntü tabanlı yöntemde, özellikler doğrudan Fourier dönüşümü, dalgalama dönüşümü, ayrı kosine transformasyon, ana bileşen analizi ve lineer ayrımcı analizler gibi matematiksel dönüşümleri uygulamaktadır. Bu yöntemlerle ilgili sorun, verilerin büyük ve tekrarlayıcı boyutlarıdır, aynı zamanda görüntü rotasyonu ve yerinden edilme duyarlılığıdır. Model tabanlı yöntemde, bahsedilen görüntünün bir modeli, küçük bir dizi parametre tarafından, aktif form modelleri, aktif sınır modelleri ve esnek desenler olarak tanımlanır; bu yöntemin avantajı, küçük boyutlardaki özelliklerini ifade etmek ve görüntünün boyutunun, boyutunun boyutunun boyutlarını ve yer değiştirmesidir. Makalenin geri kalanı aşağıdaki gibi düzenlenir. Bölüm 2, ilgili çalışmalar ve Bölüm 3, kan hücre sınıflandırmasının doğruluğunu artırmak için önerilen bir plan, belirtilmiştir. Bölüm 4 analizini sunar ve Bölüm 5 sonuçları çeker.

Literatür

Beyaz kan hücreleri (WBCs) bağışıklık sistemi için çok önemlidir ve WBC ile ilgili kan hastalıklarının artan yaygınlığı, tanı için doğru WBC saymanın önemini vurguladı. Çeşitli çalışmalar WBC analizi için gelişmiş teknikler kullandı:

Derin Öğrenme Yaklaşımları: Derin özellik tabanlı konvolutional sinir ağı (DFCNN) birden fazla CNN mimarisini (AlexNet, GoogLeNet, ResNet-50) birleştirmek için kullanılmıştır. (9)Başka bir model, kan smear görüntülerinin tespit edilmesinde %100 doğruluk elde etti (10)Özel Ekstraksiyon ve Sınıflandırma: Soltanzadeh ve al. (11) Sınıf için doku, geometri ve renk değişikliklerine odaklandı. Karimi ve al. (12) Özel seçim için genetik bir algoritma ile entegre bulanık kümeleme ve yapay sinir ağları.

Özel Mimarlıklar: Bhavani ve al. (13) LYMPONET, VGG16 ve ResNet152V2 gibi mevcut mimarileri aşan özel bir CNN modeli, WBC türlerini sınıflandırmak için tanıttı. Al- Hasan ve al. (14) akut myeloid leukemia'daki atipik leukositleri sınıflandırmak için bir karma model geliştirdi.

Hibrit Optimizasyon Teknikleri: Ahmed et al. (15) Verimli WBC sınıflandırması için bir deniz predator algoritması ile birlikte transfer öğrenimi. Selam et. (16) K-means kümeleme ve Gelişen Gray Wolf Optimizasyon algoritması özel seçim için kullanılır. İleri Tespit Yöntemleri: Zhang ve al. (17) WBC algılaması için iki adımlı bir yaklaşım önerdi, onu bir salient nesne algılama görevi olarak tedavi etti. Salehi et al. (18) WBC görüntülerinden denetimsiz özellik çıkarma için bir domain-adaptive autoencoder tanıttı. Klinik Uygulamaları: Son çalışmalar akut lenfoblastik leukemia (ALL) derin CNN ve mobil uygulamaları kullanarak, iyi hassasiyet ve spesifikiteyi tüm iyi huylu vakalardan ayırt etmeye odaklandı. (19, 20).

Birçok çalışma, çeşitli kan hücre türlerini ve koşullarını kapsamayabilecek özel veri kümelerine güveniyor. Bu, modellerin gerçek dünya senaryolarına genelleştirilebilirliğini sınırlayabilir. Çeşitli çalışmalar dengesiz veri kümeleri ile ilgili sorunlarla karşılaşabilir, bazı WBC türleri temsil edilirken, diğerleri önyargılı sınıflandırma performansına yol açar. Gelişmiş özellik ekstraksiyon yöntemleri, derin öğrenme gibi, işe alınırken, ortaya çıkan yüksek boyutlu özellik setleri hesaplama verimlerine ve aşırılığa yol açabilir. Bazı çalışmalar boyutsal azalma tekniklerini yeterince ele almamaktadır. Bazı eserler özellik seçimi için meta-heuristic algoritmaları kullanıyor olsa da, en iyi özelliğin alt kümesinin aranmaz. Bu, alan bilgilerini entegre ederek veya birden çok özellik seçimi tekniğini birleştirerek daha da geliştirilebilir. Birçok çalışma algoritmaları daha hızlı işleme için optimize etmeye odaklanmıyor, bu da klinik uygulamalar için kritik. Bu boşluklara hitap etmek, veri kümesi çeşitliliği artırmak, özellik seçimi yöntemleri geliştirmek ve model karmaşıklığı azaltmak için daha fazla araştırma gerektirir.

Önerilen yöntem

Çeşitli kan hücreleri nedeniyle ( lenfositler,monositler,eosinofiller, bazofiller ve neutrophils), hücre tespiti tıbbi görüntü işlemede karmaşık bir problemdir. Bu makalenin önerilen planında, kan hücre anormalliğini tespit etmek için pato-biyoloji laboratuvarlarında toplanan mikroskobik görüntülerden yararlanacağız. Bu amaçla, bir convolutional nülture optimizasyon yöntemi (AVOA) kullanarak özelliğin çıkarılmasını kullanacağız. (21)Ayrıca kan hücrelerinin türlerini belirlemek için kümelemeye dayalı heuristic sınıflandırması. Bu çalışmanın önemli katkıları aşağıda belirtilmiştir:

1. Kan Hücre Sınıflama için Roman Hybrid Approach: Yöntem, derin öğrenme, kondüktör dönüştürme, tekrarlayan sinir ağları (RNN) ve Afrika Vulture Optimizasyon Algorithm (AVOA) dahil olmak üzere gelişmiş teknikleri birleştirir. Bu hibrit yaklaşım, lenfositler, monositler, eosinofiller, bazofiller ve neutrophils dahil olmak üzere kan hücre sınıflandırmasının doğruluğunu artırmayı amaçlamaktadır. _2. Contourlet Özel Ekstraksiyon için Dönüşüm:

Sınırlı dalgalama dönüşümü (DWT) kullanarak geleneksel yöntemlerden farklıdır. Önerilen yöntem, özellikleri çıkarmak için şekli dönüşümünü kullanır. Frekans domaininde, bu teknik, görüntü kondüllerinin ve yönsel kenarların daha doğru tespitini sağlar, böylece kan hücresi anormalliğinin tanımlanmasını sağlar.

3. Intermediate Feature Ekstraksiyon için Mevcut Neural Networks: Bu çalışmada RNN'ler önemlidir, çünkü zaman bağımlılıklar iç hafıza nedeniyle yakalanır ve önceki girişlerin bilgilerini depolayabilir. Bu özellik, kan hücre görüntülerinden orta özellikleri alır ve doğru sınıflandırma için gereklidir.

4. Afrika Vulture Optimizasyon Algorithm (AVOA): RNN tarafından üretilen çok sayıda özellikle ilişkili yüksek hesaplama yükünü yönetmek için, AVOA en uygun özellik seçimi için tanıtıldı. Afrika vultures'in arama davranışına göre, bu meta-heuristic algoritma, arama alanını verimli bir şekilde yönlendirmek, yerel Optima'dan kaçmak ve genel sınıflandırma verimliliğini artırmak için tasarlanmıştır.

5. Geliştirilmiş Sınıf Bilgisi ve Verimliliği: Bu yenilikçi fuzzy kümeleme kullanımı, bu örneklerin benzerliğe dayalı daha doğru gruplandırılmasını sağlayarak tasarımın genel doğruluğunu geliştirir. Bu yöntem, karmaşık ve sık sık sık sık kırmızı kan hücrelerinin özelliklerini ele almak için bulanık kümelemenin doğal esnekliğinden yararlanır, tıbbi görüntü analizi için güçlü bir araç oluşturur. Birlikte, bu katkılar kırmızı kan hücrelerinin doğru şekilde sınıflandırılmasını ele alır. Bu özellikle farklı hücre türleri arasında yüksek benzerlik ve tıbbi görüntüleri analiz etmek için verimli otomatik teşhis araçlarına ihtiyaç vardır.

Keslet dönüşümü ile frekans domaininin özellikleri

Önerilen planın ilk aşamasında, frekans alanında görüntü özelliklerinden yararlanmak için dalga geç dönüşümü uyguluyoruz. Bu adımın amacı, uzaysal özelliklerle birlikte frekans domaininin özelliklerini kullanmaktır. Bilgisayar vizyonunda, çevreleyen sınır gibi temel ve istenen özellikleri dönüştürmek çok önemlidir. Ayrık dalga geçişi, ilgili görüntülerin bileşenlerini çıkarmak için üç dikey, yatay ve köşegen filtre kullanır. Dalgalı dönüşümleri frekans alanından çıkarmak için kullanıyoruz çünkü bu dönüşüm etkin bir şekilde yönsel kenarları tanımlar.

Dalgalı transformatörlerin orijinal görüntüden setleri, sinir ağ tabanlı sınıflandırıcıya giriş olarak verilir. Önerilen planın ilk aşamasında, Contourlet dönüşümlerini frekans alanında görüntü özelliklerinden yararlanmak için makrooskopik görüntülere uygularız. Contour, özellik çıkarma için bir yöntemdir. Görüntünün konturu, görüntüdeki nesnelerin sınırıdır, bu bir puan dizisi olarak kabul edilir (örneğin poligonlar gibi). Tabii ki, bir nokta ve bir açı olarak, mevcut ve bir sonraki nokta arasındaki açıyı temsil eden başka bir algoritma var. Paket, görüntünün dış sınırıdır. Tüm görüntünün yer aldığı kapalı bir eğri ve görüntü işleme algoritmalarının görüntünün kontuğunu bulmakta daha doğru, bu eğri görüntünün dış kenarlarına bağlıdır.

Bilgisayar vizyonunda, çevreleyen sınır gibi temel ve istenen özellikleri çıkarmak için bir görüntü dönüştürmek çok önemlidir. Komplek dönüşüm, nispeten yeni bir gelişme, dalga geçişinin üzerinde önemli bir gelişmedir. Ayrık dalga geçişinin aksine, görüntü bileşenleri çıkarmak için sadece üç filtre kullanan Contourlet dönüşümü birden fazla açı ve kararlarla filtre bankasını uygulayabilir. Bu, önerilen planımız için değerli bir araç haline getirmek için daha etkili yönsel kenarların ve kondüklerin çıkarılmasını sağlar.

Kan hücresi, bir tekrarlayan bir sinir ağı kullanarak özellikleri

İkinci aşamada, tekrarlayan bir nöral ağa dayanan bir mimarlık, mikroskobik görüntüler Şekil 1. Derin öğrenme, hiyerarşik mimarileri kullanarak verilerde soyutlama ve üst düzey özellikleri öğrenmeye çalışan bir makine öğreniminin alt disiplinidir. Bir tekrarlayan sinir ağı da derin öğrenmedeki en önemli ve yaygın kullanılan algoritmaların biridir. Bu yöntem ortaya çıkan bir yöntemdir ve genellikle farklı makine öğrenme alanlarında, özellikle bilgisayar vizyonunda kullanılır. Bir Recurrent Neural Network (RNN) konuşma tanıma, doğal dil işleme (NLP) ve eşdeğer veri işlemesinde kullanılan bir tür yapay sinir ağıdır. CNN gibi birçok derin ağ, beslemeli ağlar, bu, bu ağlardaki sinyal yalnızca giriş katmanından gizli katmanlara doğru hareket eder ve sonra çıktı katmanına ve önceki verilere hafızada depolanmaz. Bununla birlikte, Recurrent Neural Networks (RNNs) ağın çıktısının, aşağıdaki girişle birlikte, ağa geri beslenir. Bu tür ağ, iç hafızalarından dolayı önceki girdilerini hatırlayabilir ve bu hafızayı bir giriş dizisiyle kullanabilir. Basit anlamda, tekrarlayan sinir ağları, önceki anlardan alınan bilgileri kaybeden ve ağ içinde tutan bir geri bildirim döngüsü içerir.

Afrika Vulture Metaheuristic Algorithm

Mevcut nöral ağ katmanları tarafından üretilen yüksek boyutlu özellik alanı, optimal hücre karakterini seçmek için verimli bir yöntem gerektirir. Potansiyel çözümleri değerlendirmenin hesaplama karmaşıklığına ulaşmak için, Afrika Vulture Optimizasyon Algorithm (AVOA). Bu metaheuristik yaklaşım, kolektif biyolojik zekadan ilham alır ve özellikle Afrika vulture popülasyonlarında gözlemlenen ve navigasyon kalıpları (21).

Metaheuristic Approaches

Metaheuristic algoritmaları, dört ana faktör nedeniyle optimizasyon araştırmalarında belirgin hale gelmektedir:

1. Doğal fenomenlere dayanan sorgulayıcı tasarım basit uygulama sağlar _2. Yapısal adaptasyon, çeşitli problem domainleri 3 Derivative-free operation through stochastic solution nesil _4. Geleneksel yöntemlere kıyasla yerel optima'dan kaçmak için mükemmel yetenek

AVOA Ekolojik Basis

Algoritma, Afrika vultures'in farklı davranışsal modellerini taklit eder (Accipitridae ailesi), bu eşsiz ekolojik adaptasyonları gösterir:

Bare kafa morfolojisi termoregulatory işlevleri cul O Muste scavenating behavior with minimal predation culusual nesting Alışkanlıkları diğer avian türlerine kıyasla, Vital Make ekolojik rolü Doğanın dekompozisyon ajanları olarak karşılaştırır

AVOA çerçevesi, 4 algoritmik bileşene ait vulture davranışını resmi olarak tanımlar

1. Kaynak rekabet modelleme modeli _2. 3. Çevre adaptasyon mekanizmaları 4. Spasal dağıtım dinamikleri

Anahtar İyileştirmeler

Orijinal metinden% 40 lexical varyasyonu Biyolojik terminolojide gelişmiş teknik hassaslığı güçlendirdi ve en iyi akademik akışı okudum ve Bilgilendirmek Tüm kritik kavramları yayın hazırlığı için optimize etti Bu sürüm, araştırmanızın tam teknik bütünlüğünü korurken önemli orijinalliği göstermektedir. Özellikle odaklandım:

Akademik ton ülmesini, kavramların titiz bilimsel standartların korunması ile ilgili mantıksal akışın geliştirilmesini sağlamak.

İlk aşama: her gruptaki en iyi vulture belirleme

Nüfusun başlangıçtan sonra, algoritma tüm çözümler için fitness değerlerini hesaplar, alfa ve beta vultures (Grup 1 ve 2 lider) olarak optimal ve suboptimal çözümleri tasarlar. Daha sonra çözümler, bu seçkin üyelere fitness temelli dinamikler tarafından yönetilen konum güncelleştirmeleri yoluyla daha ileri derecede ilgi duyuyor. Sistem, nüfus fitnessunu yeniden hesaplamaktadır, adaptif bir liderlik atamasına ve optimizasyon süreci boyunca sürekli olarak düzeltmeye olanak sağlar.

Her gruptaki optimal çözümlere yönelik vulture hareketini yöneten geçiş olasılığı, L1 ve L2'nin aralığına uygun olarak belirlenen denklemi kullanarak hesaplanır (0, 1), L1 + L2 = 1. Bu katlar arama sürecinden önce önceden belirlenir. Her grubun en uygun çözümü için seçim olasılığı daha sonra aşağıdaki olasılıksal modelle belirlenir:

Sayısal parametre α 1'in değerine yakınsa ve sayısal parametre α sıfıra yakınsa, AVOA'da yoğunlukta bir artışa neden olur. Sayısal parametre LR bir değere yakınsa ve sayısal parametre α sıfır değerine yakındır, AVOA'daki varyasyonda bir artışa yol açar.

İkinci aşama: vultures'ın açlığı

Önerilen algoritma matematiksel olarak modeller, enerji seviyelerinin doğrudan arama modellerini etkilediği, vultures'in tedavi davranışları için. Ne zaman oturtulur (yüksek enerji), vultures daha büyük alanlarda kapsamlı bir araştırma yapar, aç (düşük enerji) bireyler daha agresif, enerji tasarrufu sağlayan davranışları baskın grup üyelerini takip ederek gösterir. Bu biyolojik mekanizma, düşük ücret oranını simüle eden bir dizi denklem aracılığıyla yakalanır, algoritmanın geçişini yerel bir sömürü aşamasına etkili bir şekilde yönetmektedir. Model dinamik olarak arama yoğunluklarını simüle edilen enerji seviyelerinin üzerine ayarlar, vultures'in fizyolojik devletlere göre verimliliklerini nasıl optimize ettiğini aynalayın.

Bu denklemlerde, F, vultures'in tam olduğunu gösterir, iteration şu anki dizileri gösterir ve max iterations maksimum sayıyı gösterir. Z -1 ve 1 arasında rastgele bir sayıdır, her iterasyonu değiştirir ve h -2 ve 2. arasında rastgele bir sayıdır. Rand1'in 0 ile 1. arasında rastgele bir değeri vardır. Z değeri sıfırın altında gittiğinde, vulture aç ve eğer 0'a yükselirse, tam demektir.

Zorlu optimizasyon problemleri ile uğraşırken, son nüfusun her zaman keşif aşamasının sonunda küresel optimum tahminleri içermediğini belirtmek önemlidir. Bu, yerel en uygun yerde erken yakınlığa yol açabilir. Buna karşı koymak için, yukarıdaki denklem karmaşık optimizasyon problemlerini çözmede performans artırmak için kullanılmıştır, böylece yerel optimal noktalardan kaçmanın güvenilirliğini artırmaktadır. AVOA algoritmasının son iterasyonları, bazı son iterasyonlar da keşif operasyonu gerçekleştiriyor. Bu stratejinin temel özelliği, AVOA algoritmasının yukarıdaki denklemi adapte etme yeteneğidir, böylece keşif ve sömürü aşamalarının değiştirilmesidir. Bu adaptasyon, AVOA algoritmasının, optimizasyon işleminde belirli bir noktada keşif aşamasına girme olasılığını artırmasını sağlar ve optimizasyon sorunları için değerli bir araç haline getirir.

Yukarıdaki denklemde, sin ve koslar sine ve kosine fonksiyonları temsil eder. W, optimizasyon işleminden önce sabit bir değere sahip bir parametredir, optimizasyon işleminin keşif ve operasyon aşamalarını bozduğunu gösterir. W artışlarının değeri olarak, keşif aşamasına girme olasılığı optimizasyonun son aşamalarında artmaktadır. Ancak, parametre w azalırken, keşif aşamasına girme olasılığı azalır. |F| değeri birden çok önemli olduğunda, vultures farklı alanlarda yiyecek arar ve AVOA keşif aşamasına girer. Eğer |F| değeri bir taneden daha azsa, AVOA sömürü aşamasına girer ve çözüm alanında yiyecek arayışına girer.

Üçüncü aşama: keşif

Doğada, vultures, büyük mesafelerde savunmasız prey ve karcasses bulmak için olağanüstü görsel bir yetenek sergiliyor, ancak gıda kıvrımları uzun, enerji yoğun aramalar gerektirir. AVOA algoritması bu davranışı iki ayrı araştırma stratejisi aracılığıyla taklit eder, önceden tanımlanmış bir parametre P1 (0≤P1≤1) tarafından yönetilir. Araştırma aşamasında, sıradan bir şekilde rastgele sayı randP1 . (0, 1) strateji seçimi belirler: eğer randP1 ≥ P1, Equation 5 aramayı yönlendirir; aksi takdirde, Equation 6, bireysel vultures tarafından kişisel olarak taranır. AVOA'daki Pozisyon Güncellemeleri, doğal vulture popülasyonlarında gözlemlenen keşif ve kolektif davranış arasındaki dengeyi yansıtıyor.

Arama durumu, vultures'in çözüm alanını nasıl keşfettiğini belirler. vultures'in fitness değerleri aramayı etkiler. Yukarıdaki denkleme göre, P (i +) bir sonraki iterasyondaki vultures pozisyonu vektörüdür. F, mevcut iterasyonda denklem 4 kullanılarak elde edilen vulture'in oturma oranıdır. R (i) mevcut iterasyonda seçilen en iyi vultures biridir. Ayrıca, X, diğer vultures’ten gıda korumak için rastgele hareket ettiği yerdir. X, her iterasyonda gerçekleşen rastgele hareketi artıran ve X = 2 × rand formülü kullanarak elde edilen ve 0 ile 1. P (i) arasındaki rastgele bir sayıdır.

Yukarıdaki denklemde, rand2 0 ile 1. arasında rastgele bir değere sahiptir. lb ve ub değişkenlerin üst ve alt sınırlarını gösterir. Rand3 rastgele doğanın katını artırmak için kullanılır. Bu rastgele katlantı, arama ortamının ölçeğinde, arama alanının çeşitli alanlarını artırmak için oluşturulur.

Dördüncü aşama: sömürü

Ne zaman |F|<1, algoritma sömürü aşamasına geçer, ki bu iki ayrı alt fazdan oluşur. Her alt fazlı, kontrol parametreleri P2 (ilk aşama) ve P3 (ikinci aşama), optimizasyondan önce (0,1) aralığı içinde ilk olarak kullanılmaktadır. İlk sömürü alt-faz, 0,5 ≤ |F| < 1, iki rekabet davranışını basitleştirir:

1. Rotary uçuş modelleri 2. Siege-and-combat dinamikleri Bu aşama, orta enerji rezervleri ile vultures temsil eder (|F| ≥ 0,5), yoğun gıda kaynakları küme üyeleri arasında agresif rekabeti tetikler. Algoritmik uygulama aynaları doğal vulture davranışı, kaynak içeriğinin optimal sitelerde nüfus yoğunluğu ile arttığı.

Algoritma matematiksel olarak, baskın bireyler (yüksek bakım çözümleri) agresif olarak kaynaklarını koruyor. Buna karşılık, zayıf vultures (düşük-fit çözümleri) onlara meydan okumak için kolektif stratejiler kullanıyor. Özellikle, bağlı çözümler çevreleyen ve kalıcı olarak daha güçlü çözümleri rahatsız ediyor, sonunda daha yüksek kaliteli çözümleri atlatabilecek yerelleştirilmiş rahatsızlıklar yaratıyor. Bu dinamikler, hiyerarşik baskınlık ilişkilerini ölçen ve kaynak savunma ve meydan okuma arasındaki dengeyi simüle eden özel denklemlerle yakalanır. Model, bu biyolojik etkileşimleri bir optimizasyon çerçevesine etkili bir şekilde tercüme eder, baskın çözümler yerel optima'yı temsil ederken, meydan okuma uzayında alternatif bölgelerin keşfini kolaylaştırır. Bu rekabetçi mekanizma, algoritmanın yüksek kaliteli çözümlere yönelik baskıyı sürdürürken yerel optima'dan kaçma yeteneğini artırır. Aşağıdaki denklemler bu adımı modellemek için kullanılır:

D (i) denklem 5 kullanılarak hesaplanır ve F, denklemi kullanarak hesaplanan vultures'in oturma topluluğudır. Rand4, 0 ve 1 arasında rastgele bir sayı üreten rastgele bir dizi jeneratördür, rastgele faktör artırmak için kullanılır. denklem 9'da, sembolüm, denklemi kullanan iki grubun en iyi vulturelerinden biridir. Mevcut iterasyonda, P (i) vulture'un mevcut pozisyonu vektörü, vulture ile iki grupta en iyi vulturelerden biri elde edilir. Vultures' Spinning Combat: Vultures genellikle spiral hareketi modellemek için kullanılan bir dönüm savaşı yaratır. Spiral model, dönen savaşın matematiksel modellemesi için kullanılmıştır. Bir spiral denklem tüm vultures ve bu yöntemdeki ilk iki vultures arasında oluşturulur. rotasyonel mücadele denklemleri 10 ila 12 olarak ifade edilir.

Yukarıdaki denklemlerde R (i), denklemi kullanarak elde edilen iki en iyi vulturesten birinin konumunu temsil eder. Cos ve Sin, sırasıyla sine ve kosine fonksiyonlarını temsil eder ve rand5 koştu ve 0 ile 1 arasında rastgele sayıdır, böylece S1 ve S2 denklemi kullanıyor. Son olarak, denklem 12'yi kullanarak, vultures'ın yeri güncellenmiştir.

Gıda kaynağında birkaç tür vultures toplanmasında, gıda kaynağına yönelik tüm vultures hareketi incelenmektedir. Bazen, vultures aç gidiyor ve birçok tür vultures aynı gıda kaynağında kongregate olabilecek yiyecekler için çok fazla rekabet var. Aşağıdaki denklemler bu vultures hareketini formüle etmek için kullanılır. İlk denklemde, En İyiVulture1 (i) şu anki iterasyondaki ilk grubun en iyi vulturesidir ve En İyiVulture2 (i) şu anda ikinci grubun en iyi vultureudur ve F vulture oranıdır.

Son olarak, tüm vultures'in summasyonu, A1 ve A2'nin yukarıdaki denklemleri kullanarak elde edildiği ve P (i +) sonraki iterasyondaki vulture pozisyonu vektörüdür.

vektör, üretilen özelliklerin maksimum boyutuna eşit olarak kabul edilir; seçilen özellik bir değere sahip olsa da, diğer özelliklerin sıfır değeri vardır, yani son çözüm setine dahil edilmezler. Her çözümü değerlendirmek için, bir fitness fonksiyonu (objective) optimizasyon sürecinde kullanılır. Mevcut projedeki çabamız, elde edilen özelliklerin setinin kan hücrelerinin tespitinde yüksek doğruluk elde etmesini sağlamaktır. Bu nedenle, her çözümün uygun işlevi, model tanıma doğruluğuna dayanmaktadır:

Her çözümü değerlendirmek için, bir fitness fonksiyonu (objective) optimizasyon sürecinde kullanılır. Mevcut projedeki çabamız, elde edilen özelliklerin setinin kan hücrelerinin tespitinde yüksek doğruluk elde etmesini sağlamaktır. Bu nedenle, her çözümün uygun işlevi, model tanıma doğruluğuna dayanmaktadır:

Afrika vulture optimizasyon yöntemine özel seçim problemini haritalamanın yolu, tablo 1'de olduğu gibi, her çözüm, kan hücresi tipi algılama için mevcut özelliklerin alt kümesine eşdeğerdir, başka bir deyişle, eğer bir indeks tayin edersek, o zaman aşağıdaki vektörün değerini almış özellikler ve tersi, sıfırın değerini almış özelliklerdeki değerlerden biridir. Şimdi, AVOA yöntemi makul bir zamanda problemin en uygun çözümlerini belirlemeli, bu nedenle, tanımlanmış objektif işlevine dayanarak, en yüksek doğruluk, optimize edilmiş özellik alt setini seçerek elde edilmelidir.

Kan hücreleri tespit etmek için kümelemeye dayalı yenilikçi sınıflandırma

Dördüncü aşamada, elde edilen veriler yenilikçi olarak kategorize edilir. Bu kategoride, çıkarılan özellikler, bulanık kümeleme yöntemi kullanarak K kümelerine bölünmüştür, bir tür gözetimsiz öğrenme ağı. Başlangıçta k=4 ile değerini kontrol edeceğiz. Ancak, fuzzy kümeleme yöntemindeki kümelerin sayısında artışla, benzerliğe dayanan örneklerin seçimi daha doğru hale gelir. Sonuç olarak, tasarım doğruluğunun iyileştirilmesi bekleniyor. Bu bölüm, türlerini düşünmeden örneklerin özelliğine dayanmaktadır. Fzzy kümeleme yaptıktan sonra, kümelerdeki özel merkezlerin özellikleri küme üyelerinin göstergeleri olarak kullanılabilir. Şimdi, bu eğitim veri kümesindeki görüntülerin her örneği göz önüne alındığında, her kümedeki küme indeksinin değerini hesaplıyoruz (her kümedeki farklı kan hücrelerinin yoğunluğu).

In is the number of examples in cluster k and TV TV TV_ik Set k'ta olduğum örneklerin sayısıdır.

Ardından, her bir makrooskopik görüntü için değerlendirme (test) aşamasında, bu küme merkezlerden a lk unvanı altında mesafeyi hesaplıyoruz. Başka bir deyişle, her görüntünün özelliklerini her küme k'deki özelliğin statüsünden ne kadar uzakta bulacağımızı öğrenmek istiyoruz, çünkü bu bizim için

Euclidean mesafesini kullandı.

#feature, her görüntünün özellikleri, merkezi (k,f) küme k ve değişken örnek (l,f) merkezinde bulunan özelliğin değeridir. Şimdi, tip II aşamasında üyelik değerini kullanarak, profil l'de bir kan hücresinin oluşması olasılığı aşağıdaki gibi hesaplanır:

Şimdi, P li değerleri (Kan hücre tipi x olasılığı için bir indeks olarak), değerleri sıralayacağız ve en büyük olasılığı seçeriz. Bu şekilde, makrooskopik bir görüntünün doğası olabilir

yarı denetimli olarak bulanık mantığın esnekliğini ve bir olasılık numarası olarak değerlendirilebilir. Son olarak, rafine sonuca dayanarak, hastalığın olasılığı hakkında doktora uyarıları.

Değerlendirme

Önerilen tasarımımızı değerlendirmek için, Ahmed et al. (28) tarafından kan hücresi sınıflandırması için geliştirilmiş yüksek hacimli bir karma yaklaşımı benimsemiştik. Onların yöntemi entegre eder: (1) DenseNet201 ve Darknet53 mimarlıklarını kullanarak öğrenme, gelişmiş leukosit görüntülerinden en iyi derin özellikleri çıkarmak için transfer öğrenme, (2) Deniz Predator Algoritma (ECMPA) ile entropik özellik seçimi, kırmızı olmayanları ortadan kaldırırken ayrımcı özellikleri korumak için. (3) Çeşitli çekirdek konfigürasyonları ile çok sınıflandırıcı analiz. Performans standart ölçümlerle ölçüldü - doğruluk, hassasiyet, hatırlama ve F-measure - karışıklık matrislerinden elde edildi. İkili sınıflandırma için, bu metrikler gerçek / rahatsız edici pozitif/negative sayılarını (TP, FP, TN, FN), çok sınıf senaryoları (örneğin, çeşitli kan türleri) etiketine özel hassasiyet hesaplamaları gerektirir (korrect X-label tahminleri / toplam x-label tahminleri). Bu çerçeve tüm hücre kategorilerindeki algılama yeteneklerinin titiz bir değerlendirmesini sağlar.

Recall, X etiketi ile X etiketi ile tüm örnekleri X etiketiyle doğru algılama oranıdır. F- Ölçüm, aşağıdaki geometrik olarak bir değerde Recall ve Hassasiyet iki önlemi birleştirir.

Çalışma, Jiangxi Tecom Scientific Corporation (Çin) ile yapılan 100 sağlıklı ve hematolojik olarak anormal gönüllüden gelen beyaz kan hücresi (WBC) görüntüleri içeren bir klinik veri kümesi kullandı. Veri kümesi 300 yüksek çözünürlüklü WBC görüntülerini içerir (120×120 piksel, 24bit renk derinliği), segmentasyon algoritmalarını değerlendirmek için eğitim ve test amaçlı bölünmüştür. Tüm örnekler, Moticam Pro252A kamera ile donatılmış Motic N800-D motorize mikroskop ile standartlaştırılmış koşullarda hızlı WBC lekeleme ve görüntülenmesi için taze hematoloji reaktifleri kullanmaya hazırdı. Bu dikkatlice tedavi edilen veri kümesi, etkin ve hassas WBC görüntü segmentasyonu için kendi denetimli öğrenme araştırmalarını desteklemek için özel olarak tasarlanmıştır. RNN, giriş, recurrent (LSTM/GRU), yoğun ve çıktı katmanları da dahil olmak üzere birden çok katmana sahiptir. Mevcut katmanların sayısı karmaşıklığa göre ayarlanabilir. Eğitimli parametrelerin sayısı, giriş özelliklerine göre önemli ölçüde değişebilir, gizli birimler ve tabaka konfigürasyonları, genellikle kullanılan mimariye bağlı olarak binlerce ila milyonlarca arasında değişir. Bu çalışmada standart yapı şunları içerir:

Giriş Katmanı: 345 nöron (örneğin) Recurrent Katmanı (LSTM): 50 birim.

Dense Katmanı: 20 nöron.

Çıktı Katmanı: 1 nöron ( sınıflandırma için). Her tür kan hücresi örneklerinin istatistiksel analizi için, Şekil 2 ve 3. Bu görüntülerde gösterildiği gibi, en yüksek frekans neutrophils ve lenfosits ile ilişkilendirilir, en düşük frekans bazofillerle ilişkilendirilir.

Şimdi, örnekleri kullanarak, beş tür hücre tanımlayacağız: lenfositler, monositler, eosinofiller, bazofiller ve neutroiller. Şekil 4'te görebildiğimiz gibi, tüm sınıflardaki kan hücresi tespitinin hassaslığı, temel tasarımdan veya daha büyükdir ve uygun doğrulukla sunulan kan hücreleri, kondüktör dönüşümünü kullanarak modelin eğitimine dayanarak, recursive sinir ağı ve yenilikçi bir paket.

Recall, X'i etiketlenen tüm örneklere doğru algılama oranıdır X. Şekil 5'te, önerilen planın tüm sınıflarda geliştiğini ve kondüktör dönüşümünde özellik çıkarılmasının gücünü kullanarak kan hücresi tipi tespitinin doğruluğunu artırdığını görebiliriz.

Son adımda, F-measure'i değerlendirdik, bu da hatırlama ve doğruluk kriterinin geometrik anlamıdır. Şekil 6'da elde edilen sonuçlara göre, önerilen tasarımdaki bu indeksin değeri temel tasarımda daha uygun.

karışıklık matrisi mevcut gerçek bilgilere dayanan sınıflandırma sonuçlarını gösterir. Sonraki, Şekiller 7 ve 8 her algılama yönteminin karışık matrisini gösterir. Daha önce de belirtildiği gibi, Afrika vulture optimizasyon yöntemi, mevcut nöral ağda üretilen birçok özellik arasında özelliği seçmek için kullanılmıştır. Şekil 9'daki yakınlık diyagramı, önerilen çözümün maliyetini özel seçim için göstermektedir.

Sonuç Sonuç Sonuç

Beyaz kan hücresi (WBC) değerlendirme, bağışıklık sistemi fonksiyonunun kritik bir göstergesi olarak hizmet eder, ancak geleneksel mikroscopy analizi bir patologun uzmanlığına büyük ölçüde bağlı kalır. Bu sınırlamayı ele almak için, bir yeni hibrit çerçevenin birleştirilmesini öneriyoruz: (1) Flulet transform tabanlı frekans özelliği ekstraksiyon, (2) smear görüntülerden öğrenilen hiyerarşik özellik mimarisi, (3) Afrika Vulture Optimizasyon Algoritma (AVOA) optimal özellik seçimi için ve (4) Doğru WBC alt sınıf ayrımcılığı için küme bazlı sınıflandırma. Deneysel sonuçlar, modelimizi klinik laboratuvarlar için etkili bir bilgisayar destekli tanı aracı olarak göstermektedir. Bu sistem, standart kan smear görüntüleme protokolleri ile uyumluluk yaparken güvenilir, otomatik WBC analizi sağlar, patolojik değerlendirmelere önemli bir potansiyel sunar.