Tytuł pozycji:
An automated framework to segment and classify gliomas using hybrid shuffled complex evolution with convolutional
The infiltrative nature and rapid progression of gliomas have made them the most prevalent as well as aggressive type of brain tumour. In the clinical routine, it is a difficult task to distinguish tumour boundaries from the healthy cells. For brain tumour diagnoses as well as evaluations of the intra operative treatment response, there is extensive utilisation of the Magnetic Resonance Imaging (MRI). With segmentation, infected regions of the brain tissue can be extracted from MRIs. The tumour region’s segmentation is a critical task for cancer diagnosis, treatment as well as treatment outcome assessment. The significant architecture named the Convolutional Neural Network (CNN) in deep learning is used. The CNN has shown outstanding improvement in the objects’ recognition as well as classification. It has much efficiency in a wide range of problems which deal with machine learning as well as computer vision. Akin to other techniques of deep learning, much difficulty is involved in training the CNN. In this work, proposed a novel meta-heuristic based algorithms have been used for optimizing CNN using Ant Colony Optimization (ACO), hybrid Shuffled Complex Evolution (SCE) with ACO and hybrid SCE with Particle Swarm Optimization (PSO) algorithm. The results show that the proposed method produces better results than existing methods.
Naciekowy charakter i szybki postęp glejaków uczyniły je najczęstszym i najbardziej agresywnym rodzajem nowotworu mózgu. W praktyce klinicznej odróżnienie granic guza od zdrowych komórek jest trudnym zadaniem. W diagnostyce guza mózgu, a także ocenie śródoperacyjnej odpowiedzi na leczenie szeroko wykorzystuje się obrazowanie metodą rezonansu magnetycznego (MRI). Dzięki segmentacji zakażone obszary tkanki mózgowej można wyodrębnić z rezonansu magnetycznego. Segmentacja regionu nowotworowego jest kluczowym zadaniem w diagnostyce nowotworu, jego leczeniu, a także ocenie wyników leczenia. W głębokim uczeniu się wykorzystywana jest znacząca architektura zwana konwolucyjną siecią neuronową (CNN). CNN wykazało wyjątkową poprawę w zakresie rozpoznawania i klasyfikacji obiektów. Ma dużą skuteczność w szerokim zakresie problemów związanych z uczeniem maszynowym i wizją komputerową. Podobnie jak w przypadku innych technik głębokiego uczenia się, szkolenie CNN wiąże się z wieloma trudnościami. W tej pracy zaproponowane nowatorskie algorytmy oparte na metaheurystyce zostały wykorzystane do optymalizacji CNN przy użyciu algorytmu Ant Colony Optimization (ACO), hybrydowej Shuffled Complex Evolution (SCE) z ACO i hybrydowego SCE z algorytmem Particle Swarm Optimization (PSO). Wyniki pokazują, że proponowana metoda daje lepsze wyniki niż metody istniejące.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
