Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti

Kolon kanseri, etkili tedavi için erken ve doğru teşhis gerektiren yaygın ve potansiyel olarak ölümcül bir hastalıktır. Kolon kanserine yönelik geleneksel teşhis yaklaşımları sıklıkla doğruluk ve verimlilik açısından sınırlamalarla karşı karşıya kalır ve bu da erken teşhis ve tedavide zorluklara yol açar. Bu tez, özellik seçme yöntemine dayanan sağlam bir kolon kanseri teşhis yöntemi sunmaktadır. Kolon kanseri hastalığının teşhisi için önerilen yöntem üç adıma ayrılabilir. İlk adımda, evrişimli sinir ağına dayalı olarak görüntülerin özellikleri çıkarıldı. Evrişimsel sinir ağı için Squeezenet, Resnet-50, AlexNet ve GoogleNet kullanıldı. Çıkarılan özellikler çok büyük ve özelliklerin sayısı sistemi eğitmek için uygun olamaz. Bu nedenle ikinci adımda özellik sayısını azaltmak için metasezgisel yöntem kullanılmıştır. Bu araştırma, özellik verilerinden en iyi özellikleri seçmek için çekirge optimizasyon algoritmasını kullanır. Son olarak makine öğrenmesi yöntemleri kullanılarak kolon kanseri hastalığı tanısının doğru ve başarılı olduğu görüldü. Önerilen yöntemin değerlendirilmesinde iki sınıflandırma yöntemi uygulanmıştır. Bu yöntemler karar ve destek vektör makinesini içerir. Önerilen yöntemi değerlendirmek için duyarlılık, özgüllük, doğruluk ve F1Score kullanılmıştır. Destek vektör makinesini temel alan Squeezenet için %99,34 elde ettik; %99,41; %99,12; Duyarlılık, özgüllük, doğruluk, kesinlik ve F1Score için sırasıyla %98,91 ve %98,94 sonuçlar. Sonunda önerilen tanıma yönteminin performansını 9 katmanlı CNN, Rastgele saylar, 7 katmanlı CNN ve Drop-Block gibi diğer yöntemlerin performanslarıyla karşılaştırdık. Çözümümüzün diğerlerinden daha iyi performans gösterdiğini gösterdik.Ayrıca kolon kanserinin otomatik tespiti için yapay zekayı, özellikle de evrişimli sinir ağını (CNN) ve Fishier Mantis Optimizer'ı kullanan yenilikçi bir yöntem sunulmaktadır. Derin öğrenme tekniklerinin, özellikle CNN'nin kullanılması, tıbbi görüntüleme verilerinden karmaşık özelliklerin çıkarılmasını sağlayarak sağlam ve etkili bir teşhis modeli sağlar. Ek olarak, peygamber devesi karidesinin avlanma davranışından ilham alan, biyo-esinli bir optimizasyon algoritması olan Fishier Mantis Optimizer, CNN'nin parametrelerine ince ayar yapmak ve yakınsama hızını ve performansını artırmak için kullanılıyor. Bu hibrit yaklaşım, kolon kanseri teşhisinin doğruluğunu ve etkinliğini artırmak için hem derin öğrenmenin hem de doğadan ilham alan optimizasyonun güçlü yönlerinden yararlanarak geleneksel teşhis yöntemlerinin sınırlamalarını gidermeyi amaçlamaktadır. Önerilen yöntem, kolon kanseri görüntülerinden oluşan kapsamlı bir veri seti üzerinde değerlendirildi ve sonuçlar, geleneksel tanı yaklaşımlarına göre üstünlüğünü ortaya koydu. CNN-Fishier Mantis Optimizer modeli, kanserli ve kanserli olmayan kolon dokularını ayırt etmede yüksek hassasiyet, özgüllük ve genel doğruluk sergiledi. Biyo-ilhamlı optimizasyon algoritmalarının derin öğrenme teknikleriyle entegrasyonu, yalnızca kolon kanseri için bilgisayar destekli teşhis araçlarının geliştirilmesine katkıda bulunmakla kalmaz, aynı zamanda bu hastalığın erken tespitini ve teşhisini geliştirme ve böylece zamanında müdahaleyi ve iyileştirmeyi kolaylaştırma konusunda umut vaat eder. Hasta prognozu, kolon hastalıklarıyla ilişkili özellikleri yakalamak için GoogLeNet ve ResNet-50 gibi çeşitli CNN tasarımları kullanıldı. Ancak özniteliklerin çokluğu nedeniyle hem öznitelik çıkarımı hem de veri sınıflandırmasında yanlışlıklar ortaya çıkmıştır. Bu sorunu çözmek için, Fishier Mantis Optimizer algoritmaları kullanılarak özellik azaltma teknikleri uygulandı ve Genetik Algoritmalar ve simüle edilmiş tavlama gibi alternatif yöntemlerden daha iyi performans gösterdi. Duyarlılık, özgüllük, doğruluk ve F1 puanı gibi çeşitli metriklerin değerlendirilmesinde sırasıyla %94,87, %96,19, %97,65 ve %96,76 olarak tespit edilen cesaretlendirici sonuçlar elde edildi.