fa استفاده از الگوریتم جغرافیای زیستی در بهینه سازی شبکه عصبی جهت تشخیص سرطان پستان بیماریهای پستان Breast Diseases پژوهشي Research <br> <strong><span style="font-family:b zar;"><span style="font-size:14.0pt;">چکیده </span></span></strong><br> <strong><span style="font-family:b nazanin;">مقدمه: </span></strong><span style="font-family:b nazanin;">در حال حاضر، سرطان</span> <span style="font-family:b nazanin;">پستان</span> <span style="font-family:b nazanin;">از</span> <span style="font-family:b nazanin;">شایع&rlm;ترین</span> <span style="font-family:b nazanin;">بیماری&shy;های</span> <span style="font-family:b nazanin;">زنان</span> <span style="font-family:b nazanin;">است.</span> <span style="font-family:b nazanin;">دسته &rlm;بندی دقیق تومور سرطان پستان نقش کلیدی را در امر تشخیص پزشکی ایفا می&shy;کند. متخصصین به دنبال روش&shy;های بهینه جهت بهبود تشخیص این تومور می&rlm; باشند.</span><br> <strong><span style="font-family:b nazanin;">روش</span></strong> <strong><span style="font-family:b nazanin;">بررسی: </span></strong><span style="font-family:b nazanin;">در این مطالعه شبکه عصبی مبتنی بر جغرافیای زیستی ارایه گردیده که با استفاده از آنالیز اجزای اصلی در مرحله آماده &rlm;سازی و بروز رسانی همزمان وزن&rlm;ها موفق به دسته&rlm;بندی داده &shy;ها به عنوان خوش&rlm; خیم یا بدخیم می&shy;گردد. جهت ارزیابی الگوریتم ارایه شده از داده&rlm; های بانک اطلاعاتی ویسکانسین استفاده شده است.</span><br> <strong><span style="font-family:b nazanin;">یافته&rlm; ها:</span></strong><span style="font-family:b nazanin;"> دقت تفکیک در حالت عادی یعنی حالتی که از آنالیز اجزای اصلی و الگوریتم بهینه سازی استفاده نشده و تنها شبکه عصبی با نسبت 70-30 داده&rlm;های آموزش به تست مورد استفاده قرار گیرد، 2/97% است. با بکارگیری آنالیز اجزای اصلی و کاهش 9 ویژگی به 8 ویژگی دقت به 5/98 می&shy;رسد. نهایتا با استفاده از الگوریتم بهینه سازی جغرافیای زیستی همراه با اعتبار سنجی ضربدری 10 گانه دقت به 100% رسیده که به میزان قابل توجهی از نتایج بدست آمده از مطالعات دیگر موفق &rlm;تر است. </span><br> <strong><span style="font-family:b nazanin;">نتیجه&rlm; گیری:</span></strong> <span style="font-family:b nazanin;">استفاده از این الگوریتم می&rlm;تواند عملکرد شبکه عصبی را بهبود دهد</span><span style="color:black;"><span style="font-family:b nazanin;">. مقایسه روش ارایه شده با حالت بهینه نشده و در حالتی که فقط از</span></span><span dir="LTR"><span style="color:black;">PCA </span></span><span style="color:black;"><span style="font-family:b nazanin;">&nbsp;و شبکه عصبی استفاده شده است، عملکرد بهینه این روش را نشان داد. نتایج حاکی از آن است که مدل ارایه شده در این مقاله دقت بسیار بالایی در تفکیک داده&rlm; های سرطان پستان دارا می&shy; باشد و می توان از آن جهت تشخیص نهایی این سرطان استفاده نمود.</span></span><br> &nbsp; <strong>Abstract</strong><br> <strong>Introduction: </strong>Breast cancer is the most common cancer in women. Accurate classification of breast cancer has a key role in medical diagnosis.&nbsp; Hence, researchers seek optimized methods to improve tumor diagnosis.<br> <strong>Methods: </strong>The current study presents bio-geographical based optimization neural network for classifying data as benign and malignant using principal component analysis in preprocessing stage and updating weights concurrently. The presented algorithm was assessed using the data from Wisconsin databank.<br> <strong>Results: </strong>Classification accuracy in a normal state, that is, without applying principal component analysis and an optimization algorithm, and applying only neural network at a ratio of %70 to %30 from training and testing set is %97.2. Accuracy reaches %98.5 after applying principal component analysis and decreasing features from nine to eight. Finally, using bio-geographical based optimization algorithm with a 10-fold cross validation, accuracy reaches %100, which is significantly more successful than other similar studies.<br> <strong>Conclusion: </strong>Applying this algorithm can optimize the performance of the neural network. The optimal performance of this method is revealed by comparing the proposed method with the non-optimized method and the approach which used only PCA and neural network method. The results suggest that the method presented in this paper had a high accuracy in classifying breast cancer data and can be used for its diagnosis.<br> &nbsp; بهینه سازی جغرافیای زیستی, آنالیز اجزای مستقل, شبکه عصبی پرسپترون چند لایه, الگوریتم پس انتشار Bio-geographical Based Optimization, Principal Component Analysis, Multi-layer Perceptron, Back Propagation Method 47 57 http://ijbd.ir/browse.php?a_code=A-10-597-2&slc_lang=fa&sid=1 cyrus Ahmadi Toussi سیروس احمدی طوسی cyrus.ahmady@gmail.com 00031947532846003352 00031947532846003352 Yes Dept. of Medical Engineering, Faculty of electrical and computer science, Hakim Sabzevari University Hossein Ghayoumi-Zadeh حسین قیومی زاده 00031947532846003353 00031947532846003353 No Dept. of Medical Engineering, Faculty of electrical and computer science, Vali-e-Asr University of Rafsanjan Javad Haddadnia جواد حدادنیا 00031947532846003354 00031947532846003354 No Dept. of Medical Engineering, Faculty of electrical and computer science, Hakim Sabzevari University