Resumen

Con los avances en las aplicaciones de imgenes biomdicas, cada vez es ms importante proporcionar resultados potenciales para la bsqueda de datos de imgenes biomdicas. Durante la emergencia sanitaria, los temblores requieren resultados eficientes a una velocidad rpida para proporcionar resultados a las consultas espaciales utilizando la Web. Un motor de bsqueda biomdica eficiente puede obtener la intencin de bsqueda significativa y devolver contenidos importantes adicionales en los que los usuarios ya han indicado algn inters. El desarrollo de motores de bsqueda biomdicos sigue siendo un rea de investigacin abierta. Recientemente, muchos investigadores han utilizado varios modelos de aprendizaje profundo para mejorar el rendimiento de los motores de bsqueda biomdica. Sin embargo, los motores de bsqueda biomdica basados en aprendizaje profundo existentes sufren de los problemas de sobreajuste y ajuste de hiperparmetros. Por lo tanto, en este trabajo se propone un modelo de aprendizaje profundo basado en el algoritmo gentico de clasificacin no dominante III (NSGA-III) para motores de bsqueda biomdica. Inicialmente, los hiperparmetros del modelo de aprendizaje profundo propuesto se obtienen utilizando el NSGA-III. Posteriormente, el modelo de aprendizaje profundo propuesto se entrena utilizando los parmetros ajustados. Por ltimo, el modelo propuesto se valida en el conjunto de datos de prueba. El anlisis comparativo revela que el modelo propuesto supera a los modelos de motores de bsqueda biomdicos de la competencia.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Imágenes biomédicas; Motor de búsqueda; Modelos de aprendizaje profundo; NSGA-III; Hiperparámetros; Rendimiento
• Keywords:Biomedical imaging; Search engine; Deep-learning models; NSGA-III; Hyperparameters; Performance