گسترش كاربرد الگوريتمهاي يادگيري عميق در قطعه بندي و شناسايي اتوماتيك تومورهاي مغزي

Expanding the use of deep learning algorithms in segmentation and automatic identification of brain tumors

تومور اساساً رشد كنترل نشده سلول هاي سرطاني در هر قسمت از بدن است، در حالي كه تومور مغزي رشد كنترل نشده سلول هاي سرطاني در مغز است. تومور مغزي مي تواند خوش خيم يا بدخيم باشد. تومور خوش خيم مغز داراي ساختار يكنواختي است و حاوي سلول هاي فعال (سرطاني) نيست، در حالي كه تومورهاي مغزي بدخيم ساختاري غيريكنواخت (ناهمگن) دارند و حاوي سلول هاي فعال هستند. در اين مقاله، مدل‌هاي مبتني بر يادگيري انتقال، علاوه بر يك شبكه عصبي كانولوشنال (CNN) به نام BRAIN-TUMOR-net كه از ابتدا آموزش ديده‌اند، معرفي مي‌شوند تا تصاوير تشديد مغناطيسي مغز را به تومور يا موارد عادي طبقه‌بندي كنند. مقايسه اي بين مدل هاي InceptionResNetv2، Inceptionv3، و ResNet50 از پيش آموزش ديده و BRAIN-TUMOR-net پيشنهادي معرفي شده است. عملكرد مدل پيشنهادي بر روي سه مجموعه داده تصويربرداري تشديد مغناطيسي (MRI) در دسترس عموم آزمايش مي‌شود. نتايج نشان مي دهد كه BRAIN-TUMOR-net بالاترين دقت را در مقايسه با مدل هاي ديگر به دست مي آورد. براي سه مجموعه داده مختلف MRI به سطوح دقت 100٪، 97٪ و 84.78٪ دست مي يابد. علاوه بر اين، تكنيك اعتبارسنجي متقاطع k-fold براي امكان طبقه‌بندي قوي استفاده مي‌شود. علاوه بر اين، از سه تكنيك مختلف خوشه‌بندي بدون نظارت براي تقسيم‌بندي استفاده مي‌شود.