Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: optimal feature selection

Sortuj według:

Ogranicz wyniki do:

Grey Wolf optimization based breast cancer detection using 1D Convolution LSTM classifier

Jebarani Esther P., Umadevi N.

Przegląd Elektrotechniczny

2023

R. 99, nr 1

1--9

Women are particularly vulnerable to breast cancer. Breast cancer diagnosis has benefited greatly from the utilization of ultrasound imaging. Breast UltraSound (BUS) image segmentation remains a difficult challenge due to low image quality. Furthermore, BUS image segmentation, as well as classification, is an important stage in the analysis process. Initially, the image associated with breast cancer is gathered from MIAS database. The gathered image undergoes pre-processing operation using the adaptive median filtering technique. Subsequently, the segmentation is performed in the pre-processed images using the hybrid method consisting of GMM and K-Means. These segmented images undergo the feature extraction steps further where the features are extracted by utilizing the Gray Level Co-occurrence Matrix (GLCM). Grey Wolf Optimization (GWO) selects the optimal features for further classification using a novel 1D Convolution LSTM. Here, the pooling layer of 1D CNN is replaced by the LSTM. The objective function behind the optimal feature selection and classification is the accuracy maximization. Finally, the novel One Dimensional Convolution Long Short Term Memory (1 DCLSTM) classifies the outcome into normal, benign, and malignant, respectively. The proposed method is compared with the other state of art methods related to this research.

Kobiety są szczególnie narażone na raka piersi. Diagnostyka raka piersi bardzo skorzystała na wykorzystaniu obrazowania ultrasonograficznego. Segmentacja obrazu UltraSound (BUS) piersi pozostaje trudnym wyzwaniem ze względu na niską jakość obrazu. Ponadto segmentacja obrazu BUS, a także klasyfikacja, jest ważnym etapem procesu analizy. Początkowo obraz związany z rakiem piersi pozyskiwany jest z bazy MIAS. Zgromadzony obraz jest poddawany wstępnemu przetwarzaniu przy użyciu techniki adaptacyjnego filtrowania medianowego. Następnie na wstępnie przetworzonych obrazach przeprowadzana jest segmentacja metodą hybrydową składającą się z GMM i K-Means. Te podzielone na segmenty obrazy przechodzą kolejne etapy ekstrakcji cech, w których cechy są wyodrębniane przy użyciu macierzy współwystępowania poziomu szarości (GLCM). Optymalizacja Gray Wolf (GWO) wybiera optymalne funkcje do dalszej klasyfikacji przy użyciu nowatorskiego rozwiązania 1D Convolution LSTM. W tym przypadku warstwa łączenia 1D CNN zostaje zastąpiona przez LSTM. Funkcją celu stojącą za optymalnym doborem i klasyfikacją cech jest maksymalizacja dokładności. Wreszcie, powieść jednowymiarowa pamięć krótkoterminowa z konwolucją jednowymiarową (1 DCLSTM) klasyfikuje wynik odpowiednio na normalny, łagodny i złośliwy. Proponowana metoda jest porównywana z innymi nowoczesnymi metodami związanymi z tymi badaniami.

A smart IoT-enabled heart disease monitoring system using meta-heuristic-based Fuzzy-LSTM model

Krishna Munagala N.V.L.M., Langoju Lakshmi Rajeswara Rao, Rani A. Daisy, Reddy D.V. Rama Koti

Biocybernetics and Biomedical Engineering

2022

Vol. 42, no. 4

1183--1204

A continuous heart disease monitoring system is one of the significant applications specified by the Internet of Things (IoT). This goal might be achieved by combining sophisticated expert systems with extensive healthcare data on heart diseases. Several machine learning-based methods have recently been proven for predicting and diagnosing cardiac illness. However, these algorithms are unable to manage high-dimensional information due to the lack of a smart framework that can combine several sources to anticipate cardiac illness. The Fuzzy-Long Short Term Memory (LSTM) model is used in this work to present a unique IoT-enabled heart disease prediction method. The benchmark data for the experiment came from public sources and collected via wearable IoT devices. An improved Harris Hawks Optimization (HHO) called Population and Fitness-based HHO (PF-HHO) is utilized to select the best features, with the objective function of correlation maximization within the same class and correlation minimization among different classes. The scientific contributions of the health care monitoring system are depicted here that help to improve heart disease healthcare efficiency and also it can be reducing the death rate in the current world. The important section of this persistent healthcare mode is the real-world monitoring system. The simulation outcomes proved that the recommended approach is more successful at predicting heart illness than existing technologies.