بهبود خوشه بندي فازي با استفاده از الگوريتم بهينه سازي گرگ خاكستري در تشخيص تومورهاي مغزي

پزشكان با استفاده از تصاوير تشديد مغناطيس مغز مي توانند تومورهاي مغزي را تا حدودي تشخيص دهند اما يكي از روش هاي بهبود دقت آنها استفاده از روش هاي ناحيه بندي تصاوير مانند روش هاي خوشه بندي است. خوشه بندي فازي به علت حساسيت اندك به نويز يك روش مناسب براي تشخيص تومورهاي مغزي است با اين وجود خروجي آن مي تواند خطاي قابل توجه توليد نمايد اما با انتخاب بهينه مراكز خوشه اي به صورت بهينه اين خطا و چالش را مي توان بر طرف نمود. در اين مقاله، براي كاهش دادن خطاي تشخيص تومورهاي مغزي توسط الگوريتم خوشه بندي فازي از الگوريتم بهينه سازي گرگ خاكستري استفاده شده و انتخاب ماتريس عضويت بهينه در خوشه بندي فازي توسط اين الگوريتم انجام مي شود. در روش پيشنهادي هر ماتريس عضوين به عنوان يك عضو الگوريتم گرگ خاكستري در نظر گرفته مي شود و با استفاده از مكانيزم هاي بكار رفته در اين الگوريتم هر ماتريس عضويت به روزرساني شده و توسط ماتريس عضويت بهينه در هر تكرار مراكز خوشه اي بهينه انتخاب شده و خطاي خوشه بندي كاهش داده مي شود. نتايج پياده سازي روش پيشنهادي در محيط متلب بر روي تعدادي تصاوير خاكستري نشان مي دهد استفاده از فيلتر رفع نويز ميانه براي پيش پردازش تصاوير كيفيت ناحيه بندي را افزايش داده از طرفي افزايش تعداد خوشه ها مقدار شاخص شباهت، دقت، حساسيت و تشخيص را كاهش مي دهد و تعداد سه خوشه بهترين نتايج را ارائه مي دهد. آزمايشات تائيد مي نمايد افزايش اندازه جمعيت الگوريتم بهينه سازي گرگ خاكستري يا تعداد ماتريس هاي عضويت باعث مي شود كه شاخص هاي شباهت، دقت، حساسيت و تشخيص بهبود و افزايش داده شوند و روش پيشنهادي براي تشخيص تومورهاي مغزي داراي شاخص شباهت، دقت، حساسيت و تشخيص به ترتيب برابر 91.31%، 89.85%، 79.86% و 81.09% است. مقايسه روش پيشنهادي با ساير روش ها نشان مي دهد كه در شاخص شباهت روش پيشنهادي از روش هاي مانند FCM، KFCM و GFCM عملكرد بهتري دارد.