ادغام CNN و معماری ترانسفورماتور برای تقسیم بندی دقیق تومور مغز
ادغام CNN و معماری ترانسفورماتور برای تقسیم بندی دقیق تومور مغز
کیا شیردل1
1) مهندسی کامپیوتر، دانشکده فنی و مهندسی شهید مهدی باکری، دانشگاه آزاد اسلامی، ارومیه، ایران
کد IOI مقاله
:
XKBA-AAZZFC
محل انتشار :
سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
تقسیم بندی تومور مغزی نقش مهمی در تصویربرداری پزشکی ایفا می کند و امکان تشخیص دقیق و برنامه ریزی درمان را فراهم می کند. این مقاله چارچوب جدیدی را معرفی میکند که شبکههای عصبی کانولوشن (CNN) و معماریهای ترانسفورماتور را برای افزایش دقت و استحکام بخشبندی ادغام میکند. مدل پیشنهادی از CNN برای استخراج ویژگیهای فضایی محلی و ترانسفورماتورها برای گرفتن وابستگیهای دوربرد استفاده میکند و محدودیتهای موجود در رویکردهای تک معماری موجود را برطرف میکند. با استفاده از مجموعه داده BraTS 2023، مدل به عملکرد پیشرفتهای با امتیاز تاس 0.91 دست یافت و تعمیم آن را در انواع مختلف تومور بهبود بخشید. آزمایشهای جامع برتری رویکرد ما را در مقایسه با روشهای پایه نشان میدهد و پتانسیل آن را برای کاربردهای بالینی برجسته میکند.
کلمات کلیدی : تقسیم بندی تومور مغزی شبکه های عصبی کانولوشنال دقت تقسیم بندی امتیاز تاس معماری ترانسفورماتور استقرار بلادرنگ