Data mining approach based on harris hawks optimization (HHO) algorithm for multiple sclerosis lesions segmentation on brain magnetic resonance images

Çoğunluğu veri madenciliği ve makine öğrenimi tekniklerinin birleşimine dayanan segmentasyon yaklaşımları, beyin dokularının hasarlı bölümlerini çıkarmak için kullanılabilir. Bulanık C-ortalamalar (FCM) küme algoritması gibi kümeleme algoritmaları, doğru olduklarından ancak görsel olarak gürültüye aşırı duyarlı olmadıklarından segmentasyon için etkilidir. Sonuç olarak, optimum küme merkezi seçimi segmentasyonu etkileyebilirken, Multipl Sklerozu saptamak için FCM yaklaşımı kabul edilebilir. NP-zor bir problem olduğu için onları seçmek karmaşıktır. Hem segmentasyon hem de FCM yöntemleri için optimal küme merkezini belirlemek için Harris Hawks optimizasyonu (HHO) kullanıldı. HHO kadar kesin olmayan diğer yaygın yöntemler arasında genetik algoritma ve parçacık sürüsü optimizasyonu bulunur. Önerilen prosedürde, her üyelik matrisi ya bir şahin ya da bir HHO olmalıdır. Multipl Skleroz kümeleme hatalarını azaltmak için bir sonraki adım, en uygun küme merkezlerini bulmak için seçilen şahin popülasyonları veya üyelik vektörleri oluşturmaktır. Önerilen teknik, çeşitli beyin MRG'lerinde doğruluk testlerinde FCM kümelemenin yanı sıra destek vektör makinesi, k-NN algoritması ve hibrit veri madenciliği yöntemleri gibi diğer yöntemlerden daha iyi performans gösterdi.