再也算法的引导程序来段肿瘤从脑MRI

抽象

脑异常是对人类社会具有较大的发病率的主要危险因素的原因。在其早期阶段的肿瘤的鉴定是必要的，以提供必要的处理过程以挽救病人。在这项工作中，再也算法（JA）和大津的功能（OF）引导方法被呈现给矿脑MRI的记录有风情和T2形态不规则部分。这项工作执行两个步骤的过程来检查从轴向，矢状和二维（2D）MRI切片的冠状视图的脑肿瘤。本文呈现阈值化过程的一个详细的评估与变化的阈值水平（TH = 2,3,4,5），颅骨剥离工艺之前/阈值化的实践，以及基于所述赞Vese方法的肿瘤提取后。JA的优势是在文献中发现的其他突出的启发式方法中证实。实施研究证实的结果说再也算法引导方法能够呈现的Jaccard指数，骰子系数，灵敏度，特异度，准确度和精度上臭小子2015数据集的优良值。

1.简介

图像处理过程中扮演着治疗数据检查了至关重要的作用[1,2]。大脑异常如肿瘤和中风是人类社会影响的人，不论其性别和地理位置的主要危险因素。通常，严重程度和对大脑异常的原因被确诊的基础上由有经验的医生构成的预定过程诊所。这个程序涉及在记录在受控环境下的信号和大脑的图像。记录从所述患者的基本信息之后，预筛选过程是使用手动或自动程序来评估的原因和严重程度的不平顺性被执行。预筛选过程之后，在规定的临床评价程序然后与患者，以便进行进一步的处理过程来控制安排和固化异常[执行3.]。

通常情况下，大脑的条件可基于使用记录有外部电极或大脑图像的MRI和CT成像方法[记录在单独的信道和多信道EEG信号来评估4- - - - - -7]。先前的研究证实，存在于大脑的图像信息是必不可少相比大脑信号[归类和定位异常8]。如果需要，脑信号和图像的映射也可以进行定位大脑异常的原因和区域。

在文献中，有相当量的常规的和软的计算制导措施被广泛用于检查记录有MRI和CT [大脑图片9,10]。在MRI中可用的信息被更好相比CT，因为它的多模态的，因为MRI支持一系列方式，像风情，T1，T1C，T2和DW [的11- - - - - -14]。在风情和T2形态异常的可视性优于其它方法。因此，在本文中，记录有天才并且T2大脑图像被用于检验。

钍我s work implements a two-stage scheme to mine and appraise the tumor using the Jaya Algorithm (JA) and Otsu’s Function (OF) based thresholding and the Chan-Vese (CV) based segmentation procedure to extract the abnormal section from the two-dimension (2D) slices of the brain MRI. The performance of JA is confirmed against other heuristic algorithms existing in the literature. Correctness of the proposed approach is also confirmed by computing the image likeliness measures based on a comparative study linking the mined tumor section and the ground-truth (GT) image. The experimental results of this work confirm that the JA assisted procedure tenders improved result on the 2D brain slices recorded with Flair and T2 modalities.

2.相关作品

在脑成像文献，常规和软计算（SC）的数量显著基础的技术进行了讨论和执行，以提取并评估大脑异常。较早期作品还表明，传统的方法可以实现单步或两步法来提取所选择的MRI切片异常部分[11,15,16]。大多数的这些程序仅适用于少数模式的情况下，如天才和T2方式具体和行之有效的。为了克服这些限制，启发式算法辅助两步事件被广泛采用的检查使用各种形式的MRI记录大脑异常。帕拉尼等。（2016）实施了SC的方法来段使用基于大津的阈值的两步骤过程中的软脑组织[8]。Chaddad(2015)实现了高斯混合模型技术，支持从MRI中提取脑瘤的自动特征提取[17]。Dey等。（2015）施加遗传算法调谐间隔滤波器，以在脑部MRI [噪声去除6]。拉吉尼卡特和Satapathy（2018）执行的脑部MRI的一个详细的评估与各种分割方法[9]。拉吉尼卡特等人的作品。（2017）也实施了各种启发式评估程序，以从脑MRI记录有范围模式的[异常区域分离18]。Rajinikanth等人(2018)的工作也证实了在脑MRI评估中需要使用图像融合方法来提高准确性[13]。近日，阿明等人。（2017; 2018）提出了一个独特的方法以及深学习过程，以提取从脑MRI [异常部4,5]。文献中的每一种机器学习和深度学习方法都讨论了各自的优缺点。脑MRI检查程序总是需要高效和可靠的程序来从脑图像中挖掘和评估奇怪的片段[19]。

研究人员已经实现了相当数量的基于群-/进化方法来检查他的脑部MRI [9,13]。本文试图一种方法来实现最近开发的方法称为再也算法（JA）。文献也印证JA的，落实是相当简单的对比，前者启发式方案[20- - - - - -23]。此外，本文器具浐Vese方法矿在预处理图像中的肿瘤切片。最后，执行方法的优越性是使用所提取的肿瘤切片中有资格的调查和GT图片[确认9]。

3.材料与方法

手稿的这种划分提供了用于检查脑MRI的异常两步过程的细节。本节介绍的预处理和后处理方法的总结实施检查2D脑部MRI的测试图片。

数字1显示建议工作所涉及的阶段。该技术最初认为2D MRI切片作为待处理的测试图像。预处理阶段通过实现有或无颅骨切片的多阈值分割方案对检测图像的异常区域进行增强。Rajinikanth和Satapathy(2018)最近的工作讨论了消除头骨对于实施全自动疾病检查计划至关重要[9]。然后对初始阶段的结果进行后处理，后处理阶段实现了一种选定的图像分离方法来提取异常切片。通过提取的肿瘤切片与GT图像的对比分析，确定MRI检查方法的性能。然后考虑该方案的最终结果，以支持决策和治疗计划程序。

3.1。预处理阶段

它是在两阶段过程的初始步骤。这实现了multithresholding过程以增强2D测试画面的肿瘤切片。这个阶段实现了再也算法（JA）辅助大津的类间方差程序不同的阈值（钍）的水平（TH = 2,3,4,5）所选择的测试图像上。后来，图像质量度量计算了这些图像来发现图像增强最佳阈值。

3.1.1。JAYA算法

JA是一个饶新发明的进化算法（2016）[20]及其理论和工作原理中可以找到[21- - - - - -23]。晶澳的主要优点与其他深思熟虑的启发式/进化方法，如萤火虫算法（FA），教与学的基于代价的优化（TLBO），颗粒 - 群 - 优化（PSO），细菌优化（BFO），并进行比较蝙蝠算法（BA），涉及最小早期参数被分配[2,12- - - - - -14,19,24- - - - - -27]。

让G（x）的_马克斯为首选目标函数，=是选择的主观量0, 1],N为种群数量(即:N = 1,2，...，N),我和D指示迭代和尺寸的量（即，j = 1,2,…,D）相应。

在算法的一些发生，G（x）的_最好和G（x）的_最差通过意味着人口的选手达到了最好的和最坏的结果。

JA的黄金公式介绍如下： 哪里表示的j^日变量n^日选手在我^日迭代指示现代化值。在这项工作中，JA被用来发现大津的类间方差的值最大化的值所选择的“钍”。

关于传统JA及其最新进展的更多细节可以在最近的文献中找到[28- - - - - -35]。

3.1.2。大津的功能

从1979年开始，大津的阈值设定被广泛认为提高了传统和医学形象[36]。大津的理论如下:对于多阈值化问题(TH = 2,3,4,5)，从H将输入图像分成不同的组₀和基于选择的Th。类H₀包围范围为0灰度级至t-1和类H_TH-1环绕的灰度级从T到L - 1。灰度级的概率分布H₀和HTH₋₁可挂接为[37,38] 哪里 和L = 256。

平均水平米₀、…米_TH-1为 可以表达为 平均强度（米_T)总图像的可表示为 为二层阈值问题的目标函数可以表示为 哪里σ₀=ω₀( - (- 。

有关大津的详情，请参阅[24,25,39- - - - - -41]。

3.1.3。实现

在预处理实现阶段，初始JA因子分配如下:agent size (N) =20，迭代次数=2000,explore维数(D) =钍和停止准则，如​​果最大化的大津的价值。

首先考虑的是大脑和Brainix图像的二维切片大小为256x256像素[42]。这些图像与颅骨部分相关。因此，所提出的纸工具在以下条件下颅骨消去过程：（ⅰ）头骨的阈值和（ii）头骨阈值处理后汽提之前剥离。类似地，为了确认在初始画面处理期间最佳阈值，各种阈值被选择（TH = 2,3,4,5)，使用图像质量测量值(如RMSE、PSNR、SSIM、NCC、AD和SC)评估结果的优越性(Satapathy et al. 2018);此外，还记录以秒为单位的CPU运行时来选择阈值水平，以便在图像分析期间获得更好的吞吐量。阈值设定过程最初是用JA+Otsu实现的。然后，其他的启发式方法被考虑来验证JA与选择的启发式程序的优越性。最后，使用Chan-Vese分割程序提取异常的脑MRI切片。

3.2。后处理

本节实现Chan-Vese (CV)活动轮廓实践，从预处理的MRI中挖掘不规则切片[9]。CV是由Chan和Vese实现基于边界框半自动化技术提取从测试图像[信息9]。最近，CV被广泛采用下评估，以提取药用图像的所选择的区域[43- - - - - -45]。CV的工作过程类似于水平集过程，根据分配的迭代量不断地对盒边进行修正。如果盒内像素分组结束，则提取轮廓内区域并显示。在本研究中，利用CV从Flair和T2模态的预处理脑MRI中挖掘不规则切片(肿瘤)[15,46]。

3.3。评估

本文的主要目标是在2D MRI脑提取肿瘤并计算肿瘤区域的特征作进一步研究。在这项工作中，两种类型的数据，如脑MRI使用和不使用地面实况（GT）的，被认为是。图像相似性的值，例如的Jaccard指数（JI），骰子系数（DC），假阳性速率（FPR）和假阴性速率（FNR），计算用于MRI与GT [2,9,47]。

算术表达式如下: 哪里IGT象征GT和IO开采地区的象征。

此外，值，比如灵敏度（SE），特异性（SP），准确性（AC），精密（PR），平衡分类速率（BCR）和平衡的差错率（BER），被测量。这些参数的数学表达式给出如下： 哪里T_N,T_P,F_N和F_P对应表示真-负、真-正、假-负、假-正。

4.结果与讨论

本文介绍的这种划分使用Brainix的脑部MRI（256×256像素），Cerebrix（256×256像素），以及2015年臭小子（216x160像素）数据库[​​建议方法的研究性结果48]。工作在Matlab7中使用一个系统执行;AMD C70双核1ghz CPU, 4gb内存。本文所做的工作如下:(i)选择二维脑MRI切片，(ii)实施剥颅程序，(iii)基于阈值的JA+Otsu增强，(iv)利用CV提取肿瘤，(v)计算图像相似度值来验证所实施的程序。

最初，Brainix数据集的选择测试图像被认为是评估，并且该数据集的基于2D的各种模态切片在图中描绘了2。随后，对该测试图片实施了Rajinikanth等人(2017)讨论的颅骨消除程序，其结果如图所示3.(18]。

数据3(一个)和3 (c)显示颅骨剥离的软脑区域和图形3 (b)和3 (d)展示剥去的头骨切片。图形的Flair modality图像的灰度直方图2(一个)呈现于图4。数字4(一)用头骨切片和图形显示直方图4 (b)显示没有头骨的直方图。从这些图像中可以看出，两种情况下的峰值直方图分布大致相似。这就证实了多阈值分割的结果对于两种图像都是近似的。由此可见，颅骨区域不会影响脑核磁共振多阈值输出的质量。在其他情况下，如T1和T2模式也得到了类似的结果。T1模式下肿瘤的可见性较差，因此本文仅考虑Flair和T2模式mri进行评估。

最初，为了知道图像的预处理最好的阈值水平，基于JA +大津方法与各种阈值，实现像钍= 2,3,4,5和等效的结果在图中描述5。验证了在阈值化任务完成后，还可以实现剥头骨任务。为了确定MRI的最佳阈值水平，在对原始测试图像和阈值图像进行对比分析的基础上计算图像相似度值，其结果如表所示1。当钍=2，预处理图像中肿瘤切片的可见度很差。当阈值水平增加时，图像质量度量和CPU运行时间都会增加。从本研究中可以看出钍= 3投标提高的阈值的结果与最小化CPU时间相比钍= 4和5。因此，本文选择三层阈值对本文考虑的测试图像进行预处理。

在JA算法的性能阈值，然后对其他启发式/进化方法，如FA，TLBO，PSO，BFO和BA以及这种优化搜索的收敛测试钍=2(轴位Flair MRI)如图6。这个结果证实了由JA花费的平均CPU时间较少相比BFO和PSO算法所选择的测试图像。的FA，TLBO，和BA提供更好的CPU时间对于所选择的图像，但在JA被分配初始参数的数目小于这些方法。该结果证实JA可以选择来预处理脑MRI相比替代办法本文选择的。

实现与JA +大津的预处理后，将CV分割程序然后实施以提取从轴向视图脑MRI的肿瘤切片。数字7显示了用样本测试图片得到的后处理部分的结果。如图所示图7（b），首先在肿瘤区域上手动分配一个边界框。当执行Chan-Vese方法时，边界框会向内区域缩小，以识别肿瘤切片中所有可能的像素值。在迭代完成后，根据指定的迭代值执行此收缩过程;提取以CV轮廓为界的像素区域，表示为肿瘤切片。数字图7（c）描绘CV图的最终轮廓图7（d）示出了所提取的肿瘤切片。类似的过程在本文所考虑其他的测试图像来实现。另外，CV的分割性能也确认了对有源轮廓（AC）和现有的在文献中的区域生长（RG）的技术。

数字8显示Cerebrix数据集的冠状面和矢状面样本图像。与轴向视图相比，由于图像的复杂性，在轴向视图中进行颅骨剥离和肿瘤提取是相当困难的。最近的工作证实，有效的清除头盖骨程序可协助克服这一困难[9]。最初，颅骨消去被实现为分开使用过程中的高强度的颅骨软脑切片在[讨论15]。后来，预处理和后处理的方法，以便提取肿瘤部分被实现为这些图像。

数字9提出的结果提出的技术与样本大脑核磁共振。数字图9（a）展示预处理后的测试图片和图形图9（b）,图9（c）和图9（d）示出了具有CV，AC和RG所提取的肿瘤切片，分别。该Cerebrix数据集没有相对地面实况（GT）的图像。因此，为了验证该方法的性能，盛大挑战的基准图像数据集被称为BRATS2015数据集被认为。

BRATS2015数据集相比的主要优势Brainix和Cerebrix如下:(i)它的头骨被3 d大脑核磁共振的所需数量的2 d切片可以提取,(2)它支持模式,比如天赋,T1, T1C, T2,(3)有一个共同的GT的专家成员提供的图片。正因为如此，孩子的图像被大多数研究者广泛采用来测试他们的疾病检查工具[11]。

数字10显示各种模式记录的轴向MRI的样本测试图像及其相应的GT。在本文中，我们考虑Flair和T2模式图像进行研究。数字11对所选的BRATS数据集，给出了基于JA+Otsu的三层阈值分割结果。数字11（a）表示的切片数，图11（b）和11（d）示出了经预处理的图像和图11（c）和11(e) CV显示提取肿瘤区域。

随后，通过对提取的肿瘤切片与GT的对比研究，确定了所实施的程序的优越性，并计算了Flair和T2模态病例的基本图像相似度值和统计值。表2和3.显示与弗莱尔模态测试图片获得的结果。类似的结果获得的T2模态图像。这些表确认提出的技术是在实现与分割程序，如AC和RG在这个研究中考虑相比JI，DC，灵敏度，特异度，准确度和精确度的更好的值有效。

整体性能（平均为三电平阈值获得的图像质量的措施）在本文所考虑的算法在图中描绘了12结果表明，该方法的优化性能优于本文所考虑的其他方法。在图12， x轴数字1 ~ 6表示软计算方法，如JA、FA、TLBO、PSO、BFO、BA等。

所提出的方法的主要限制是：它是半自动化的方法，需要操作者的预处理任务中固定阈值的援助，也需要边框开始在运营商援助，同时实现CV分割。今后，肿瘤分割和评估程序可以通过实施知深学习方式近期过程自动化。但是，在训练中所要求的任务的复杂性，更相比，本文所讨论的方法。该建议的方法本文确认的结果是在提取本文考虑不同数据集的肿瘤​​部分非常有效的。本文还证实，这种方法效果很好的天才和T2形态核磁共振。

在将来，一个特征提取和分类程序针对所提取的肿瘤部分可被实现为在脑肿瘤，诸如良性和恶性分类。此外，可以使用基于深学习程序进行审查通过的脑部MRI图像的神经网络（NN）49- - - - - -51]，其结果可以与本工作中讨论的机器学习过程进行比较和验证。

5。结论

本文实现了一个预处理的组合和后处理矿脑部MRI的不规则部分。预处理被实现，以提高使用基于再也算法一个multithresholding和大津的功能和后处理器具浐Vese（CV）分割程序以提取肿瘤的肿瘤切片。在这项工作中，脑部MRI图像从基准数据集，如Brainix，Cerebrix和BRATS2015获得。最初，排泄物实现为识别最好的阈值的选择问题，并为脑肿瘤评价的天才和T2方式既预处理确认的结果是，三电平阈值提供了更好的结果。后来，CV的性能针对AC和RG程序相比。分割结果证实，CV提供了更好的结果相比，AC和RG。最后，该方法的整体性能进行了测试，并与BRATS2015脑部MRI的数据库得到确认。这项研究证实了这JA +大津和CV基于过程提供了改进的图片精益求精的措施，图像相似的措施，以及所考虑的数据集图像统计测量的研究性结果。在将来，CV分割可以针对存在于医疗成像文献其它分割程序进行验证。

数据可用性

本研究使用了先前报道的脑MRI数据，这些数据可在以下网站获得http://www.osirix-viewer.com/datasets/和http://hal.inria.fr/hal-00935640。这些先前的研究和数据集在文中的相关地方被引用为[11,42,48]。

利益冲突

作者声明，本论文的发表不存在任何利益冲突。

参考

1. A.皮莱，R. Soundrapandiyan，S. Satapathy，S. C. Satapathy，K.-H.荣格和R. Krishnan是“本地对角线极值号码模式：脸部识别新的特征描述，”下一代计算机系统卷。81，第297-306，2018。视图:出版商网站|谷歌学术
2. s.s.m. Raja, V. Rajinikanth, S. L. Fernandes, S. C. Satapathy，“利用卡普尔熵和隐马尔可夫随场的乳房热图像分割”，医学影像和医疗信息的第7卷，no。第1825-1829页，2017年。视图:出版商网站|谷歌学术
3. V. Bhateja, M. Misra, S. Urooj，“基于HVS的乳房x线肿块增强的非锐化掩蔽方法:比较评估”，下一代计算机系统卷。82，第176-189，2018。视图:出版商网站|谷歌学术
4. J.阿明，M.谢里夫，M. Yasmin的和S. L.费尔南德斯，“使用MRI脑肿瘤的检测和分类一个独特的方法，”模式识别快报，2017年。视图:出版商网站|谷歌学术
5. J. Amin, M. Sharif, M. Yasmin, S. L. Fernandes，《检测脑瘤的大数据分析:深度卷积神经网络》，下一代计算机系统，第87卷，2018年第290-297页。视图:出版商网站|谷歌学术
6. N. Dey, A. Ashour, S. Beagum等，"使用遗传算法的基于局部多项式逼近的相交置信区间滤波器的参数优化:脑MRI图像去噪的应用"杂志成像，第1卷，no。1, 2015年，第60-84页。视图:出版商网站|谷歌学术
7. S. L. Fernandes, V. P. Gurupur, H. Lin，和R. J. Martis，“一种利用计算机辅助诊断技术检测早期肺癌的新融合方法，”医学影像和医疗信息的第7卷，no。8，第1841至1850年，2017年。视图:出版商网站|谷歌学术
8. P. T.克里希南，P.巴拉苏布兰马尼安和C.克里希南，“脑区域分割用马尔可夫随机场的集成的元启发式多级阈值，”当前的医学影像学评论卷。12，没有。1，第4-12，2016。视图:出版商网站|谷歌学术
9. 五拉吉尼卡特和S. C. Satapathy，“脑缺血MRI分割中风病变基础上的社会群体优化和模糊Tsallis熵”阿拉伯科学和工程杂志第43卷，no。2018年，第4365-4378页。视图:出版商网站|谷歌学术
10. V.拉吉尼卡特，S. C. Satapathy，N.戴伊和R. Vijayarajan，“DWT-PCA图像融合技术以改善脑肿瘤分析分割精度，”电气工程的讲义卷。471，第453-462，2018。视图:出版商网站|谷歌学术
11. 多模态脑瘤图像分割基准(BRATS)， "IEEEŤ医学成像卷。34，没有。10，第1993年至2024年，2015年。视图:出版商网站|谷歌学术
12. N. S.拉加，S.L.费尔南德斯，N.戴伊，S. C. Satapathy和V.拉吉尼卡特，“对比度增强使用Tsallis熵和区域生长分割的医疗MRI评价，”杂志环境智能和人性化计算的，第1-12，2018。视图:出版商网站|谷歌学术
13. 五拉吉尼卡特，N.戴伊，S. C. Satapathy和A. S. Ashour，“基于Tsallis熵和变形的蛇模型来研究磁共振血管造影术的一种方法，”下一代计算机系统卷。85，第160-172，2018。视图:谷歌学术
14. V.拉吉尼卡特，S.L.费尔南德斯，B.普山，Harisha和N. R.破甲，“分割并使用tsallis熵和正则化水平集脑肿瘤的分析，”电气工程的讲义卷。434，第313-321，2018。视图:出版商网站|谷歌学术
15. “利用模糊熵和距离正则化水平集对肿瘤的分割”，国立台湾大学医学与科学研究所硕士论文计算信号处理和分析卷。490电气工程的讲义，第297-304页，施普林格，新加坡，2018。视图:出版商网站|谷歌学术
16. A.塔瓦，五Bhateja，H.蒂瓦里和S. C. Satapathy，“高斯恢复算法损坏使用MRI非本地平均”，在信息系统设计和智能应用卷。340在智能系统和计算技术的进步，第831-840，施普林格印度，新德里，2015年。视图:出版商网站|谷歌学术
17. A. Chaddad，“使用高斯混合模型在通过磁共振成像的脑肿瘤的自动特征提取，”国际生物医学成像卷。2015年，文章编号868031，11页，2015年。视图:出版商网站|谷歌学术
18. V.拉吉尼卡特，N. S.M。拉加，和K. Kamalanand，“萤火虫算法辅助使用Tsallis函数和马尔可夫随机场从脑MRI肿瘤的分割，”控制工程与应用信息学卷。19，没有。3，第97-106，2017年。视图:谷歌学术
19. Y.新社，自然灵感的算法元启发式，卢尼弗出版社，弗洛姆，第2版，2008年。
20. R. V.饶，“再也：求解约束简单和新的优化算法和约束最优化问题，”国际工业工程计算杂志第7卷，no。1，第19-34，2016。视图:出版商网站|谷歌学术
21. R. Rao和K. More，“使用自适应Jaya算法的选定热器件的设计优化和分析，”能量转换和管理卷。140，第24-35，2017年。视图:出版商网站|谷歌学术
22. R. V. Rao和A. Saroj，“A自适应多人口基于再也算法工程优化，”群和进化计算卷。37，第1-26，2017。视图:出版商网站|谷歌学术
23. R. V. Rao和A. Saroj，《壳管式换热器的约束经济优化应用精英- jaya算法》，能源，第128卷，第785-800页，2017。视图:出版商网站|谷歌学术
24. N. S.M。拉加，V.拉吉尼卡特和K. Latha，“大津基于最优多值图像用萤火虫算法阈值化，”建模与仿真工程卷。2014年，文章编号794574，17页，2014年视图:出版商网站|谷歌学术
25. V.拉吉尼卡特和M. S. Couceiro，“使用新颖的目标函数的最优多值图像阈值选择，”在信息系统设计和智能应用卷。340在智能系统和计算技术的进步，第177-186页，施普林格印度，新德里，2015。视图:出版商网站|谷歌学术
26. Y.新社和H.兴市，“蝙蝠算法：文献回顾与应用”国际仿生计算杂志第5卷，no。3，第141-149页，2013。视图:出版商网站|谷歌学术
27. X.-S。杨和a.h.甘多米，《蝙蝠算法:一种全球工程优化的新方法》，工程计算第29卷，no。5，第464-483页，2012。视图:出版商网站|谷歌学术
28. “Jaya优化算法及其变体”，载于再也：一种先进的算法及其工程应用，施普林格，Cham, 2019年。视图:出版商网站|谷歌学术|MathSciNet
29. 李建民，“基于多目标jaya算法的磨料水射流加工工艺优化”，硕士论文。今天材料:诉讼第5卷，no。第4930-4938页，2018年。视图:出版商网站|谷歌学术
30. R. V. Rao和H. S. Keesari，“多团队扰动指导Jaya算法优化风电场布局”，应用软计算卷。71，第800-815，2018。视图:出版商网站|谷歌学术
31. R. V.饶，A. Saroj，P.Ocloń，J.塔勒和D.塔勒，“单级和板翅式换热器采用再也算法的多目标优化设计”传热工程卷。39，没有。13-14，第1201至1216年，2017年。视图:出版商网站|谷歌学术
32. R. V. Rao和A. Saroj，“基于精英的自适应多种群Jaya算法及其应用”，软计算，第1-24，2018。视图:出版商网站|谷歌学术
33. R. V. Rao和D. P.拉伊，“焊接使用-对立基于准再也算法过程最优化，”中华实验和理论人工智能第29卷，no。5，文章ID 0952813，第1099至1117年，2017年。视图:出版商网站|谷歌学术
34. 《通过自适应Jaya算法实现斯特林热机的多目标优化》，r.v. Rao, K. C. More, L. S. Coelho，和V. C. Mariani，可再生能源和可持续能源杂志》上，第9卷，no。3，P。033703，2017年。视图:出版商网站|谷歌学术
35. R. V. Rao和G. G. Waghmare，“解决复杂约束优化设计问题的一种新算法，”工程优化卷。49，没有。1，第60-83，2017年。视图:出版商网站|谷歌学术
36. N.大津“从灰度级的直方图阈值选择方法”，IEEE系统、人与控制论汇刊，第9卷，no。第62-66页，1979年。视图:出版商网站|谷歌学术
37. K. Kamalanand和P. M. Jawahar，“群的比较情报技术HIV-1病毒载量的估计中，”IETE技术评审卷。32，没有。3，第188-195，2015。视图:出版商网站|谷歌学术
38. K. Kamalanand和P. Mannar Jawahar，“HIV/AIDS患者治疗计划的粒子群和细菌觅食优化算法的比较”，国际生物数学学报，第9卷，no。2，1650024，10页，2016年视图:出版商网站|谷歌学术|MathSciNet
39. V.拉吉尼卡特，N. S. MadhavaRaja，S. C. Satapathy和S. L.费尔南德斯，“大津的多阈值和活动轮廓模型蛇分割皮肤镜图像，”医学影像和医疗信息的第7卷，no。8, 1837-1840, 2017。视图:出版商网站|谷歌学术
40. s.c. Satapathy, n.s.m. Raja，和V. Rajinikanth，“使用Otsu和混沌蝙蝠算法的多级图像阈值设定，”神经计算及其应用第29卷，no。12，第1285至1307年，2018。视图:出版商网站|谷歌学术
41. “基于Otsu阈值和水平集的视盘分割”，载于计算机通信和信息技术2017年国际会议论文集（ICCCI）， 1-5页，哥印拜陀，2017年1月。视图:出版商网站|谷歌学术
42. “脑肿瘤数据库（CEREBRIX和BRAINIX），”http://www.osirix-viewer.com/datasets/。视图:谷歌学术
43. N.戴伊，V.拉吉尼卡特，A.S。Ashour，和J. M. R. S. Tavares的，“社会组优化支持皮肤黑素瘤的图像的分割和评价”对称卷。10，没有。2，2018。视图:谷歌学术
44. 李志忠，戴恩，阿舒尔等，“基于卷积神经网络的糖尿病足底压成像数据聚类和流形学习方法”，医学影像和医疗信息的第7卷，no。3，第639-651，2017。视图:出版商网站|谷歌学术
45. K. Manickavasagam，S. Sutha和K. Kamalanand，“用于在薄血涂片显微图像不同疟原虫物种的分类系统开发”杂志高级显微镜研究，第9卷，no。2，第86-92页，2014。视图:出版商网站|谷歌学术
46. A. Namburu, S. K. Samay, S. R. Edara，“基于软模糊粗糙集的MR大脑图像分割”，应用软计算卷。54，第456-466，2017。视图:出版商网站|谷歌学术
47. R. F.蒙哈达和M. Cheriet，“退化原稿图像的自适应二值化的多尺度框架，”模式识别第43卷，no。6，第2186至2198年，2010。视图:出版商网站|谷歌学术
48. “臭小子（脑肿瘤数据库（臭小子-MICCAI）），”http://hal.inria.fr/hal-00935640。视图:谷歌学术
49. K. S.躁狂，I. S.铝纳伊米，F. N. Hasoon和V.拉吉尼卡特，“再也算法辅助使用数字射线照相咬翼齿图像元素的评价，”在牙科图像分析计算技术《医疗技术与临床实践的进步》，第107-128页，IGI Global, 2019年。视图:出版商网站|谷歌学术
50. 王元义，陈元义，杨洋等，“基于深度卷积神经网络的小鼠肝肉芽肿显微图像分类”，应用软计算，第74卷，2019年第40-50页。视图:出版商网站|谷歌学术
51. A. Bakiya，K. Kamalanand，V.拉吉尼卡特，R. S.纳亚克和S. Kadry，“时间 - 频率变换的肌电深神经网络辅助诊断，”多媒体工具和应用程序，第1-17页，2018。视图:出版商网站|谷歌学术

版权

版权所有:Suresh Chandra Satapathy和Venkatesan Rajinikanth。这是一篇开放获取下发布的文章知识共享署名许可，允许在任何媒体中不受限制地使用、发布和复制原创作品，只要原稿被正确引用。