استفاده از پردازش تصویر و یادگیری عمیق برای تشخیص خودکار تومورهای مغزی در تصاویر MRI

استفاده از پردازش تصویر و یادگیری عمیق برای تشخیص خودکار تومورهای مغزی در تصاویر MRI

مهسا قاسمی سامانی1 نرگس کریم زاده دهکردی2

1) کارشناسی ارشد رشته مهندسی پزشکی دانشگاه ازاد اسلامی واحد شهر کرد
2) عضو هیئت علمی رشته مهندسی پزشکی دانشگاه ازاد اسلامی واحد شهرکرد

کد IOI مقاله : AADK-AAHGFF
محل انتشار : سومین کنگره بین المللی علوم، مهندسی و فن آوری های نو(secongress.com/3rd)
چکیده :
    تشخیص خودکار تومورهای مغزی از تصاویر MRI با استفاده از پردازش تصویر و یادگیری عمیق، یکی از چالش‌های برجسته در علوم پزشکی است. این تحقیق به تحلیل و مقایسه مدل‌های مختلف یادگیری عمیق برای شناسایی تومورهای مغزی پرداخته و بر تأثیر پیش‌پردازش، اندازه تصاویر و معماری‌های مدل‌ها تأکید دارد. نتایج حاصل از مجموعه داده‌های BRATS 2020 و BraTS 2021 نشان داد که مدل‌هایDenseNet-121 و ResNet-50 دقت‌های بالاتری نسبت به مدل‌های ساده‌تری مانند VGGNet-16 دارند. به‌ویژه، مدل DenseNet-121 در شناسایی انواع مختلف تومورهای مغزی (گلیوما، آستروسیتوم و مننژیوم) با دقت 94.3% بهترین عملکرد را داشت، در حالی که مدل ResNet-50 با دقت 91.2% دومین مدل برتر بود. در جدول‌های مربوط به پیش‌پردازش، نتایج نشان داد که استفاده از کاهش نویز با فیلتر گوسی، نرمال‌سازی شدت سیگنال‌ها و افزایش داده‌ها تأثیر چشمگیری بر بهبود دقت مدل‌ها داشتند. به‌ویژه، استفاده از افزایش داده‌ها باعث بهبود 8 درصدی در دقت مدل‌ها شد و از overfittingجلوگیری کرد. تصاویر T2-weighted MRI با دقت 92.1% از بالاترین تأثیرگذاری برخوردار بودند، در حالی که تصاویر T1-weighted MRI تنها دقت 86.5% را نشان دادند. در مقایسه با روش‌های سنتی مانند آستانه‌گذاری دستی، نتایج نشان داد که مدل‌های یادگیری عمیق به‌طور قابل‌توجهی عملکرد بهتری دارند. به‌عنوان مثال، مدلDenseNet-121 توانست دقت 94.3% را در شناسایی تومورهای مغزی در برابر دقت 75.2% روش‌های سنتی به‌دست آورد. این تفاوت نشان‌دهنده قدرت بالای یادگیری ویژگی‌های پیچیده و غیرخطی از تصاویر MRI توسط مدل‌های یادگیری عمیق است. همچنین، تحلیل تفسیرپذیری مدل‌ها با استفاده از تکنیک‌هایی مانندGrad-CAM و LIME نشان داد که این مدل‌ها می‌توانند به‌طور شفاف‌تری نواحی مرتبط با تومور را شناسایی کنند و تصمیمات خود را به‌طور قابل‌فهم‌تری برای پزشکان تفسیر کنند. این ویژگی به پزشکان کمک می‌کند تا با اطمینان بیشتری از نتایج مدل‌ها در فرآیندهای بالینی استفاده کنند. در نهایت، نتایج این تحقیق نشان می‌دهند که استفاده از مدل‌های پیچیده یادگیری عمیق در ترکیب با پیش‌پردازش دقیق و انتخاب بهینه داده‌ها می‌تواند به ابزارهای قابل‌اعتماد برای تشخیص خودکار تومورهای مغزی تبدیل شود.

کلمات کلیدی : پردازش تصویر یادگیری عمیق تشخیص تومور مغزی تصاویر mri densenet 121 resnet 50 پیش‌پردازش تصاویر گلیوما آستروسیتوم