Comet test görüntülerinde nesnelerin otomatik algılanması ve sınıflandırılması için hibrit bulanık mantık ve dönüşümlü sinir ağı(FIS-CNN)

Hastalıkların klinik teşhisi çoğunlukla fiziksel ve biyokimyasal tekniklere bağlıdır. Kuyruklu deney olarak da bilinen tek hücreli jel elektroforezi, genotoksisitenin etkisini değerlendirmek ve bireysel ökaryotik hücrelerin deoksiribonükleik asit hasarını tespit etmek için yaygın olarak kullanılmaktadır. Görüntüleme süreçleri tekniği, erken aşamalarda hasar görmüş deoksiribonükleik asit 'yı keşfetmek için uygundur, çünkü birçok hastalığın erken dönemde teşhis edilmesinden sorumlu olan. Derin öğrenme algoritmaları, büyük veri kümelerindeki birçok karmaşık özelliği keşfedebildi, çünkü özelliklerin manuel olarak çıkarılması, özellikle büyük veritabanlarında zaman kaybına ek olarak bilgilerin doğruluğunu azaltabilir, bu nedenle araştırmacılar, nesneleri algılamak ve sınıflandırmak için evrişimli ağları kullanma eğiliminde olmuştur. Eski geleneksel yöntemler yerine görüntülerde. deoksiribonükleik asit hasarının tespiti çağımızın çok önemli konularından biridir çünkü deoksiribonükleik asit 'daki hasarın derecesini belirleyerek hastalığın gelişim aşamalarının bilinmesinin yanı sıra birçok hastalığın erken bir tarihte teşhis edilmesinden sorumludur. Bu çalışma, görüntülerdeki her nesne için morfolojik işlemlerde uyarlamalı histogram eşitleme ve bölümleme işleme kullanan ön işleme görüntü iyileştirmeye dayalı görüntüdeki her bir nesnenin kenarlarını algılamak için hibrit bir Mamdani bulanık mantık (Tip-2) önermektedir. , daha sonra ağında kuyruklu yıldızların kalıpları tespit edilir ve otomatik olarak beş puan derecesine göre sınıflandırılır. Veri tabanında yürütülen deneysel sonuçlar, benzer modern yöntemlere kıyasla önerilen yaklaşım olan 94,34 'yüzde' doğrulukla yüksek bir performans hassasiyeti elde etti. Ayrıca önerilen yaklaşım, insan gözüyle görülmesi zor olan kuyruklu yıldızları da tespit edebilmektedir.