تشخيص تومور مغزي با شبكه عصبي

رشد نامحدود و غير قابل كنترل سلول ها باعث پيدايش تومور در مغز مي شود. اگر تومورهاي مغزي به سرعت شناسايي و به طور مناسب درمان نشوند مي توانند باعث آسيب مغزي دايم و يا حتي مرگ بيمار شوند. ايجاد روشي كه اندازه و ناحيه ي ضايعه را مشخص كند، مي تواند به راديولوژيست ها در تشخيص كمك نمايد. پردازش تصاويرپزشكي يكي از چالش برانگيزترين و ضروري ترين حوزه ها در تحقيقات امروزي است. در حال حاضر روش تصوير برداري MRI به دليل وضوح و كيفيت بالا از مهمترين ابزار تشخيص و ارزيابي تومورهاي غير قابل لمس مغز مي باشد. تجزيه و تحليل تومورهاي موجود در تصاوير MRI توسط متخصصين پزشكي و بر مبناي ويژگي هاي استخراج شده توسط الگوريتم هاي مختلف انجام مي شود. تصاوير MRI تحت تاثير حضور نويز در تصوير، اثرحجمي جزيي، گرايش زمينه اي و همچنين الگوهاي بسيار متفاوت در تو رفتگي ها و شيارهاي مغز سختي كار را به صورت قابل ملاحظه اي افزايش داده است. در اين مقاله هدف استفاده از روش ماشين هاي بردار پشتيبان (SVMs) جهت تشخيص تومور مغزي مي باشد. رويكرد پيشنهادي در اين پروژه ابرصفحه ي جداكننده اي است كه داده ها را از هم جدا مي نمايد. صفحه اي كه بيشترين حاشيه را با داده ها داشته باشد بهترين انتخاب است. درواقع SVM دسته بندي كننده اي است كه بهترين ابرصفحه را انتخاب مي كند. اگر داده ها به طور خطي جداپذير نباشند, كرنل ها مورد استفاده قرار مي گيرند

Uncontrolled and uncontrolled growth of the cells leads to the formation of a tumor in the brain. If brain tumors are quickly detected and not properly treated, they can cause permanent brain damage or even death. Creating a method that measures the size and area of the lesion can help radiologists in diagnosis. Photographic processing is one of the most challenging and urgent areas in today's research. Nowadays, MRI imaging technique is one of the most important tools for the diagnosis and evaluation of untangling brain tumors, due to its high resolution and high quality. Analysis of tumors in MRI images is done by medical professionals based on the features extracted by various algorithms. MRI images have been significantly enhanced by the presence of noise in the image, minority effects, underlying tendencies as well as very different patterns in the nicks and brain grooves of the hard work. The purpose of this article is to use the Support Vector Machines (SVMs) to detect brain tumors. The proposed approach in this project is a split super-split that separates the data. The page with the most margin of data is the best choice. In fact, SVM is the classifier that chooses the best super-page. If the data are not linearly separate, kernels are used.