بهبود كاهش نويز، تقطيع و طبقه‌بندي توده‌هاي سرطان توسط فيلتر تطبيقي معكوس كوانتومي، عنكبوت اجتماعي و ELM بهبود يافته

سيستم‌هاي تشخيص هوشمند پزشكي امروزه به لطف هوش مصنوعي، دچار تغييرات و همچنين چالش‌هايي شده‌اند. يكي از اين سيستم‌هاي هوشمند پزشكي، سيستم‌هاي تشخيص و طبقه‌بندي توده‌هاي سرطاني از نواحي سينه مي‌باشد. تشخيص زودهنگام مي‌تواند منجر به افزايش گزينه‌هاي درماني شود. انواع تكنيك‌هاي غربالگري براي سرطان سينه مانند ماموگرافي، MRI و التراساند وجود دارد. بسته به روش تشخيص نوع توده‌هاي سرطاني، از هركدام از اين تصاوير استفاده ‌شده و تكنيك‌هاي پردازشي متفاوتي براي آنها ارائه‌شده است. اين تحقيق به استفاده از مجموعه داده‌هاي ماموگرافي MIAS مي‌پردازد و بر اساس اصول پردازش تصوير و يادگيري ماشين، سعي در تشخيص و طبقه‌بندي توده‌هاي خوش‌خيم، بدخيم و مشكوك را دارد. لذا به ارائه يك رويكرد تكامل‌يافته مي‌پردازد، بدين‌صورت كه در ابتدا عمليات پيش‌پردازش با هدف كاهش نويز و بهسازي تصوير مبتني بر روش پيشنهادي Quantum Inverse MFT انجام مي‌شود و سپس بر اساس شدت روشنايي و لبه، عمليات تقطيع تصوير با استفاده از الگوريتم عنكبوت اجتماعي صورت مي‌گيرد. در ادامه عمليات استخراج ويژگي‌ها و طبقه‌بندي با هدف تشخيص نوع توده‌هاي سرطاني، با روش Extereme Learning Machine و مدل توسعه‌يافته آن يعني Moore Penrose Matrix - Extereme Learning Machine  انجام مي‌شود. نتايج تحقيق نشان مي‌دهد كه رويكرد پيشنهادي از لحاظ معيارهاي ارزيابي همچون دقت، حساسيت، نرخ ويژگي‌ها و همين‌طور ROC و AUC نسبت به روش‌هاي پيشين داراي برتري عملكردي است.