گسترش کاربرد الگوریتمهای یادگیری عمیق در قطعه بندی و شناسایی اتوماتیک تومورهای مغزی

تومور اساساً رشد کنترل نشده سلول های سرطانی در هر قسمت از بدن است، در حالی که تومور مغزی رشد کنترل نشده سلول های سرطانی در مغز است. تومور مغزی می تواند خوش خیم یا بدخیم باشد. تومور خوش خیم مغز دارای ساختار یکنواختی است و حاوی سلول های فعال (سرطانی) نیست، در حالی که تومورهای مغزی بدخیم ساختاری غیریکنواخت (ناهمگن) دارند و حاوی سلول های فعال هستند. در این مقاله، مدل‌های مبتنی بر یادگیری انتقال، علاوه بر یک شبکه عصبی کانولوشنال (cnn) به نام brain-tumor-net که از ابتدا آموزش دیده‌اند، معرفی می‌شوند تا تصاویر تشدید مغناطیسی مغز را به تومور یا موارد عادی طبقه‌بندی کنند. مقایسه ای بین مدل های inceptionresnetv2، inceptionv3، و resnet50 از پیش آموزش دیده و brain-tumor-net پیشنهادی معرفی شده است. عملکرد مدل پیشنهادی بر روی سه مجموعه داده تصویربرداری تشدید مغناطیسی (mri) در دسترس عموم آزمایش می‌شود. نتایج نشان می دهد که brain-tumor-net بالاترین دقت را در مقایسه با مدل های دیگر به دست می آورد. برای سه مجموعه داده مختلف mri به سطوح دقت 100٪، 97٪ و 84.78٪ دست می یابد. علاوه بر این، تکنیک اعتبارسنجی متقاطع k-fold برای امکان طبقه‌بندی قوی استفاده می‌شود. علاوه بر این، از سه تکنیک مختلف خوشه‌بندی بدون نظارت برای تقسیم‌بندی استفاده می‌شود.