تشخیص خودکار تومور مغزی از تصاویر MRI با استفاده از یادگیری انتقالی ومقایسه معماری های عمیق

تشخیص خودکار تومور مغزی از تصاویر MRI با استفاده از یادگیری انتقالی ومقایسه معماری های عمیق

فاطمه محمدی فشارکی1 معین مردانی2

1) دانشجوی کارشناسی مهندسی پزشکی دانشگاه اشرفی اصفهانی
2) استاد دانشگاه اشرفی اصفهانی

کد IOI مقاله : AAHD-ABHGKF
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    تشخیص زودهنگام نئوپلاسم‌های مغزی نقش مهمی در انتخاب به‌موقع راهبردهای درمانی و بهبود پیامدهای بالینی بیماران دارد. با این حال، پیچیدگی الگوهای بافتی در تصاویر MRI و شباهت برخی ضایعات به بافت سالم، تفسیر دستی تصاویر را برای رادیولوژیست‌ها دشوار کرده است [1],[2]. در این پژوهش، یک چارچوب مبتنی بر یادگیری عمیق برای طبقه‌بندی خودکار تصاویر MRI مغز در مسئله تشخیص تومور ارائه می‌شود. چهار معماری پیشرفته شبکه عصبی کانولوشنی شامل VGG16، ResNet50، DenseNet121 و EfficientNetB0 با رویکرد انتقال یادگیری بر روی مجموعه‌ای از تصاویر MRI مغز آموزش و ارزیابی شدند [3],[5]. فرآیند پیشنهادی شامل پیش‌پردازش تصاویر، از جمله نرمال‌سازی شدت، حذف نویز و افزایش داده، تنظیم لایه‌های انتهایی هر معماری، و ارزیابی بر اساس شاخص‌های دقت، حساسیت، ویژگی و F1-score است [6]. نتایج تجربی نشان می‌دهد که DenseNet121 با دقت 96.2٪، حساسیت 97.1٪ و F1-score برابر 0.96، بهترین عملکرد را در میان مدل‌های بررسی‌شده ارائه می‌دهد. یافته‌های این مطالعه نشان می‌دهد که مدل‌های مبتنی بر یادگیری عمیق می‌توانند به‌عنوان ابزار کمکی در فرآیند تشخیص تومور مغزی از تصاویر MRI مورد استفاده قرار گیرند.

کلمات کلیدی : واژگان کلیدی تومور مغزی mri یادگیری عمیق شبکه‌های عصبی کانولوشن انتقال یادگیری densenet