b) алгоритм оптимизации поиска Эболы на основе иммунитета для сведения к минимуму экстракции объектов с сокращением цифровой маммографии с использованием моделей CNN.

Классификация характеристик в таких цифровых медицинских изображениях, как маммография, представляет собой проблему оптимизации, которую исследователи часто игнорируют. В литературе широко сообщалось об использовании в экстракции и классификации объектов нервно-паралитической сети (СНН), которая добилась выдающихся результатов и признания в процедуре обнаружения заболеваний. Вместе с тем мало внимания уделяется обеспечению того, чтобы только элементы дискриминанта, полученные в результате операций по слиянию, передавали классификатору, с тем чтобы избежать закупорки в классификационную операцию. К сожалению, поскольку эта проблема осталась нерешенной, из-за этого упущения произошло незначительное ухудшение показателей работы. Таким образом, данное исследование посвящено устранению этих недостатков с использованием метахеристического алгоритма для оптимизации числа характеристик, полученных Си-Эн-Эн, с тем чтобы в процессе классификации использовались предлагаемые элементы. Для этого предлагается новый вариант алгоритма оптимизации на основе Эболы, основанный на концепции иммунитета населения и использовании стратегии инициализации хаоса. Полученный в результате алгоритм, называемый алгоритмом оптимизации поиска Эболы на основе иммунитета (IEOSA), применяется к проблеме оптимизации, рассматриваемой в исследовании. Оптимизированные характеристики представляют собой выход из ИЭОСА, которая получает шумные и нефильтрованные обнаруженные элементы в результате процесса сворачивания в качестве входных данных. Исчерпывающая оценка МЭСС была проведена с использованием классических и контрольных функций ЦИК МЭЭЭ. В докладе представлен сравнительный анализ функционирования МООСВЗ с использованием ряда последних алгоритмов оптимизации. Экспериментальный результат показал, что ИЭОСА хорошо выполняла все испытанные контрольные функции. Кроме того, в Си-Эн-Эн для лучшего прогнозирования рака молочной железы в цифровой маммографии была применена ИЭОСА для решения проблемы расширения и отбора характеристик. Точность классификации, подтвержденная методом МЭССА, свидетельствует о том, что новый подход улучшил процесс классификации обнаруженных характеристик при использовании моделей CNN.