تشخيص تومور مغزي با رويكرد يادگيري عميق و مكانيزم توجه با استفاده از تصاوير چندوجهي MRI

شناسايي زودهنگام و موفقيت آميز تومورهاي مغزي نقش مهمي در بهبود نتايج درمان و بقاي بيمار دارد.در حال حاضر،تشخيص ناهنجاري از طريق تصاوير اِم آر آي عمدتاً به صورت دستي است و نيازمند صرف زمان زيادي است.همچنين تكنيك دستي تشخيص نيز مستعد خطا و فرآيند دشواري است كه مي تواند زندگي بيمار را با خطر روبرو بكند.بنابراين، نياز اساسي به روش هاي كامپيوتري با دقت بهتر براي تشخيص زودهنگام تومور وجود دارد.براي حل اين مسائل،مطالعات بر روي تكنيك‌هاي مختلف يادگيري ماشين و يادگيري عميق براي تشخيص تومور مبتني بر كامپيوتر متمركز شده‌اند.يادگيري عميق در مقايسه با الگوريتم‌هاي كلاسيك يادگيري ماشيني عملكرد بهتري داشت كه از چند سال گذشته به طور گسترده براي ساخت يك مدل اتوماتيك يا تركيبي براي شناسايي موثر تومور در زمان كمتر و حداكثر دقت مورد استفاده قرار گرفته است. هدف اصلي شناسايي كامپيوتري تومور مغزي به دست آوردن اطلاعات باليني مهم در مورد حضور، محل، نوع و تقسيم بندي دقيق زيرگونه هاي تومور است.در اين مقاله،ما عمليات پيش پردازش دقيق و پايداري را بر روي تصاوير اِم آر آي اعمال ميكنيم.كه از مهم ترين آنها ميتوان به گسترش دامنه شدت تصاوير،جهت بهبود كنتراست اشاره كرد.همچنين رويكرد جديدي با نام مكانيزم توجه را براي از بين بردن مقدار قابل توجهي از اثر پس زمينه در تصاوير و تمركز بر خود تومور و بافت هاي اطراف آن جهت تقسيم بندي تومور را ارائه ميكنيم.ما از يك معماري پيشنهادي 3D-Unet براي بخش بندي دقيق تر تومور مغزي استفاده كرديم.در اين معماري،رويكرد اصلاح شده مرحله رمزگشا پيشنهاد ميشود.ما معماري پيشنهادي را برروي مجموعه داده تقسيم‌بندي تومور مغزي (BRATS) 2020 اعمال ميكنيم.نمرات تاس (DSC) كل تومور (WT)،هسته تومور (TC) و تومور افزايش يافته (ET) به ترتيب %89.84، %87.19 و %83.72 بدست مي آيند.