"这篇研究论文探讨了在甲状腺肿瘤检测中使用优化特征的CANFES(协同主动自适应神经模糊专家系统)分类框架的性能分析。文章指出,甲状腺的正常功能对于人体新陈代谢至关重要,但不健康的生活方式和遗传因素可能导致甲状腺肿瘤的形成。作者提出了一种基于CANFES的检测和分割方法,该方法包括增强、Gabor变换和特征优化等步骤,以提高肿瘤识别的准确性。通过遗传算法(GA)优化特征提取,与未优化的CANFES分类相比,分类精度提高了约2.5%。该系统在实验中取得了97.7%的灵敏度、99.8%的特异性和99.1%的准确度,显示出良好的性能。"
这篇论文发表于2019年国际计算、通信和网络技术最新趋势会议(ICRTCCNT‟19),由印度Chidambaram的安纳马莱大学的研究学者B. Shankarlal和P.D. Sathya共同撰写。论文的核心内容是使用CANFES分类系统来检测和分割甲状腺超声图像中的肿瘤区域。首先,通过图像增强模块改善图像质量,然后应用Gabor变换提取图像特征,这些特征进一步通过遗传算法进行优化,以提高特征的区分能力。最后,采用CANFES分类器对优化后的特征进行分类,从而准确识别肿瘤。
CANFES是一种融合了神经网络和模糊逻辑的智能系统,它具有自我学习和适应性,能够在处理不确定性和复杂数据时提供高效的解决方案。在甲状腺肿瘤检测中,CANFES分类器能够处理图像的非线性和模糊特性,提高肿瘤识别的准确性和鲁棒性。遗传算法则是一种全局优化工具,用于搜索最佳特征组合,减少冗余并提高分类性能。
在实验结果部分,作者展示了使用GA优化的CANFES分类器相比于未优化版本在分类率上的提升,表明特征优化对于提高系统的整体性能至关重要。此外,系统在实际应用中达到了97.7%的灵敏度,这意味着系统能够准确地识别出97.7%的肿瘤病例。99.8%的特异性表明只有极少数的非肿瘤图像被误判为肿瘤,而99.1%的准确度意味着总体上,该系统在正确分类甲状腺超声图像方面表现出色。
这篇论文强调了在甲状腺肿瘤检测中结合优化特征与高级分类技术的重要性,并展示了CANFES分类框架在这一领域的潜力。未来的研究可能会探索更多优化策略,以进一步提高肿瘤检测的精确度和效率,同时可能还会关注系统的实时性和可扩展性,以适应临床环境的需求。