ترکیب ماشین بردار پشتیبان و مدل‌های پیش آموزش دیده‌ی شبکه عصبی کانولوشن به منظور طبقه‌بندی تومورهای مغزی در تصاویر ام‌آر‌آی

به دلیل محل رشد تومورهای مغزی در سر انسان، معمولا احتمال مرگ بر اثر این تومورها، شش برابر بیشتر از تومورهای دیگر است. سیستم‌های کامپیوتری را می‌توان برای کاهش تجویز درمان‌های نامناسب و کمک به متخصصان در تشخیص این بیماری استفاده کرد. در این مقاله از یک الگوریتم جدید به‌منظور تشخیص تومورها در 900 تصویر ام‌آر‌آی استفاده شده است. این الگوریتم مشتمل بر چهار فاز اصلی است که در فاز اول بعد از ورود داده‌ها عملیات پیش‌پردازش بر روی تصاویر با استفاده از روش یکسان‌سازی هیستوگرام انجام می‌شود. در فاز دوم با استفاده از دو مدل پیش آموزش‌دیده شبکه عصبی کانولوشن، استخراج ویژگی انجام می‌شود. استفاده از مدل‌های پیش آموزش‌دیده شبکه عصبی کانولوشن باعث می‌شود که ویژگی‌ها با کیفیت بالاتر، نسبت به روش‌های سنتی از تصاویر استخراج شود. به علت ایجاد ویژگی‌های فراوان توسط مدل‌های شبکه عصبی کانولوشن، در فاز سوم از روش تحلیل مولفه‌های اصلی احتمالی به‌منظور کاهش ابعاد و وابستگی استفاده می‌شود که در نهایت 100 ویژگی اصلی از هر مدل استخراج می‌شود. در فاز چهارم طبقه‌بندی با استفاده از الگوریتم ماشین بردار پشتیبان انجام می‌شود. به‌منظور مقایسه نتایج، از سه شاخص ویژگی، حساسیت، و دقت استفاده شده است. نتایج مقایسه‌ای نشان می‌دهد که الگوریتم پیشنهادی عملکرد مناسبی در اکثر داده‌ها دارد.

combination of support vector machine and pretrained convolutional neural network models to classify brain tumors in MRI images.

Mortality in brain tumors is six times higher than other tumors due to its location. Computer systems can be used to reduce the use of inappropriate treatments and help clinicians to diagnose the disease. In this paper, a new algorithm has been used to identify tumors in 900 MRI images. This algorithm consists of four main phases, in the first phase after the input data, the preprocessing operation is performed on the images using the histogram equalization method. In the second phase, the extraction of the feature is performed using two pretrained convolutional neural network models. The use of pretrained convolutional neural network models makes it possible to extract higherquality feature than traditional methods. Due to the creation of many features by convolutional neural network models, in the third phase, the probabilistic principal component analysis method is used to reduce the dimension and dependence, which ultimately extracts 100 main features of each model. In the fourth phase, using support vector machine, classification is done. In order to compare the results, three index of specificity, sensitivity, and accuracy have been used. Comparative results show that the proposed algorithm has a good performance in most data.