Том 22, № 3 (2023)

Мозг считается одним из наиболее эффективных органов, контролирующих организм. Развитие технологий сделало возможным раннее и точное обнаружение опухолей головного мозга, что существенно влияет на их лечение. Применение искусственного интеллекта значительно возросло в области неврологии. В этом систематическом обзоре сравниваются последние методы глубокого обучения (DL), машинного обучения (ML) и гибридные методы для обнаружения рака мозга. В статье дается оценка 36 недавних статей, посвященных этим методам, с учетом наборов данных, методологии, используемых инструментов, достоинств и ограничений. Статьи содержат понятные графики и таблицы. Обнаружение опухолей головного мозга в значительной степени опирается на методы машинного обучения, такие как метод опорных векторов (SVM) и метод нечетких C-средних (FCM). Рекуррентные сверточные нейронные сети (RCNN), плотная сверточная нейронная сеть (DenseNet), сверточные нейронные сети (CNN), остаточная нейронная сеть (ResNet) и глубокие нейронные сети (DNN) — это методы DL, используемые для более эффективного обнаружения опухолей головного мозга. Методы DL и ML объединяются для разработки гибридных методов. Кроме того, приводится краткое описание различных этапов обработки изображений. Систематический обзор выявляет нерешенные проблемы и будущие цели для методов на основе DL и ML для обнаружения опухолей головного мозга. С помощью систематического обзора можно определить наиболее эффективный метод обнаружения опухолей головного мозга и использовать его для улучшения.

Многие приложения цифровой обработки сигналов (DSP) и электронные гаджеты сегодня требуют цифровой фильтрации. Для получения быстрых и улучшенных результатов использовались различные алгоритмы оптимизации. Некоторые исследователи использовали Enhanced Slime Mold Algorithm для разработки 2D БИХ-фильтра. Однако было замечено, что данный алгоритм не обеспечил лучшей структуры решения и имел более низкую скорость сходимости. Чтобы решить эту проблему, для разработки 2D БИХ-фильтра используется алгоритм оптимизации Fused ESMA-Pelican Optimization Algorithm (FEPOA), который объединяет Pelican Optimization Algorithm с Enhanced Slime Mould Algorithm (ESMA). Сначала для инициализации популяции используется хаотический подход, который обеспечивает высококачественную популяцию с превосходным разнообразием, после чего позиция членов популяции заключается в идентификации и корректировке особи в граничной области поиска. После этого с помощью тактического подхода пеликана (Pelican Tactical Approach) изучается пространство поиска и исследовательской мощности FEPOA, потом случайным образом вычисляется пригодность, и обновляется лучшее решение, а затем оно перемещается к итерациям. Фазы FEPOA повторяются до тех пор, пока не завершится выполнение. Далее лучшее решение дает оптимальное решение, которое повышает скорость сходимости, точность сходимости и производительность FEPOA. Затем FEPOA реализуется в БИХ-фильтре для улучшения общей конструкции фильтра. Результаты, предоставленные FEPOA, достигают необходимой пригодности и наилучшего решения для 200 итераций, а амплитудная характеристика достигает максимального значения для = 2,4,8, а также время выполнения 3,0158 с, что намного быстрее, чем другие генетические алгоритмы, часто используемые для 2D БИХ-фильтров.