研究文章
一个交互式医学图像分割框架使用与卷积神经网络优化的群体智慧
|
输入:EM⟶增强医学图像 |
|
输出:BM和调频(ROI)⟶背景和前景 |
|
开始杂交 |
|
定义集群数量 |
|
(行,上校)=大小(EM) |
|
隔离/ /在哪里BM和对ROI |
|
代表=N/ /定义为集群的迭代次数 |
|
而代表≠N(直到最大迭代没有实现) |
|
对于P=1⟶行 |
|
对问=1⟶上校 |
|
如果他们(P, Q)==G1 |
|
BM (P,问)= EM (P,问) |
|
其他如果他们(m, n)==G2 |
|
投资回报率(P,问)= EM (P,问) |
|
如果 |
|
调整重心使用给定的算法1和2 |
|
—— |
|
—— |
|
端, |
|
优化ROI,这里我们使用PSO算法,然后初始化使用以下参数,如: |
| (我) |
迭代(T) |
| (2) |
人数规模方面(年代) |
| (3) |
下限(磅) |
| (iv) |
无风险(乌兰巴托) |
| (v) |
适应度函数 |
| (vi) |
数量的选择(N) |
|
计算的大小T=行×坳。 |
|
适应度函数的参数优化算法: |
|
|
|
对l=1⟶T |
|
|
|
|
|
使用算法= 4 |
|
|
|
—— |
|
定义优化迭代,O-Rep =N |
|
虽然O-Rep≠N(直到最大迭代没有实现) |
|
|
|
用力推面具=二进制(ROI) |
|
ROI边界=边界(面具) |
|
k=1⟶D |
|
投资回报率= EM×ROI的界限 |
|
—— |
|
端, |
|
返回:BM和ROI是一种改进的背景和前景 |
|
End-Algorithm |
|
