طبقه بندی چندکلاسه برای تشخیص درجه انواع تومور مغزی گلیوما در تصاویر mri با استفاده از شبکه های عصبی کانولوشن

تومورهای مغزی طیف متنوعی از انواع سرطان را نشان می‌دهند که می‌توانند عوارض جدی ایجاد کرده و منجر به امید به زندگی ضعیف شوند. در میان انواع مختلف تومور مغزی، گلیوم ها تومورهای اولیه مغزی هستند که حدود 20 الی 30 درصد از تومورهای مغزی بزرگسالان را تشکیل می دهند. تشخیص زودهنگام و طبقه بندی درجه تومور مغزی بسیار مهم است زیرا می تواند روند درمان را بهبود بخشد و (به طور بالقوه) عمر بیمار را طولانی کند. امروزه پزشکان از ابزارهای تشخیصی مانند نمونه‌برداری برخوردارند که، این ابزارها معمولا تهاجمی یا پرهزینه هستند. یک نمونه پرکاربرد از یک تکنیک غیرتهاجمی، تصویربرداری تشدید مغناطیسی( (mriمی باشد که توانایی بالایی در تولید تصاویر با کنتراست بافت نرم متفاوت و وضوح فضایی بالا به لطف توالی های تصویربرداری متعدد دارا می باشد. با این حال، بررسی چنین تصاویری برای رادیولوژیست ها سخت و طاقت فرسا می باشد، زیرا به طور کلی حجم زیادی از داده ها در آن وجود دارد. امروزه رویکردهای یادگیری عمیق، پتانسیل زیادی در تشخیص تومور مغزی نشان داده‌اند و می‌توانند به رادیولوژیست‌ها در فرآیند تصمیم‌گیری کمک کنند. در این پژوهش به منظور طبقه بندی درجه تومور مغزی (گلیوما) در تصاویر mri گرفته شده از بیماران مبتلا به تومور مغزی، یک سیستم اتوماتیک بر مبنای دو مدل شبکه عصبی کانولوشن (vgg-19 و resnet50 ( ارائه خواهد شد. به دلیل اینکه در روش پیشنهادی، ویژگی های سطح بالا توسط یادگیری عمیق استخراج می شود، دقت طبقه بندی و تشخیص بسیار بالا بوده و همچنین اندازه بردار ویژگی نیز با کاهش همراه می باشد.