Colon adenocarcinoma (COAD) is a type of colon cancers with a high mortality rate. Its early symptoms are not obvious, and its late stage is accompanied by various complications that seriously endanger patients' lives. To assist in the early diagnosis of COAD and improve the detection efficiency of COAD, this paper proposes a multi-level threshold image segmentation (MIS) method based on an enhanced particle swarm algorithm for segmenting COAD images. Firstly, this paper proposes a multi-strategy fusion particle swarm optimization algorithm (DRPSO) with a replacement mechanism. The non-linear inertia weight and sine-cosine learning factors in DRPSO help balance the exploration and exploitation phases of the algorithm. The population reorganization strategy incorporating MGO enhances population diversity and effectively prevents the algorithm from stagnating prematurely. The mutation-based final replacement mechanism enhances the algorithm's ability to escape local optima and helps the algorithm to obtain highly accurate solutions. In addition, comparison experiments on the CEC2020 and CEC2022 test sets show that DRPSO outperforms other state-of-the-art algorithms in terms of convergence accuracy and speed. Secondly, by combining the non-local mean 2D histogram and 2D Renyi entropy, this paper proposes a DRPSO algorithm based MIS method, which is successfully applied to the segments the COAD pathology image problem. The results of segmentation experiments show that the above method obtains relatively higher quality segmented images with superior performance metrics: PSNR = 23.556, SSIM = 0.825, and FSIM = 0.922. In conclusion, the MIS method based on the DRPSO algorithm shows great potential in assisting COAD diagnosis and in pathology image segmentation.

Abstract Metaheuristic algorithms have wide applicability, particularly in wireless sensor networks (WSNs), due to their superior skill in solving and optimizing many issues in different domains. However, WSNs suffer from several issues, such as deployment, localization, sink node placement, energy efficiency, and clustering. Unfortunately, these issues negatively affect the already limited energy of the WSNs; therefore, the need to employ metaheuristic algorithms is inevitable to alleviate the harm imposed by these issues on the lifespan and performance of the network. Some associated issues regarding WSNs are modelled as single and multi-objective optimization issues. Single-objective issues have one optimal solution, and the other has multiple desirable solutions that compete, the so-called non-dominated solutions. Several optimization strategies based on metaheuristic algorithms are available to address various types of optimization concerns relating to WSN deployment, localization, sink node placement, energy efficiency, and clustering. This review reports and discusses the literature research on single and multi-objective metaheuristics and their evaluation criteria, WSN architectures and definitions, and applications of metaheuristics in WSN deployment, localization, sink node placement, energy efficiency, and clustering. It also proposes definitions for these terms and reports on some ongoing difficulties linked to these topics. Furthermore, this review outlines the open issues, challenge paths, and future trends that can be applied to metaheuristic algorithms (single and multi-objective) and WSN difficulties, as well as the significant efforts that are necessary to improve WSN efficiency.