طبقه بندی بهینه تومورهای مغزی در تصاویر mri به کمک تکنیک های یادگیری عمیق

فناوری های تصویربرداری پزشکی و بیولوژیک، اطلاعات تصویری ارزشمندی از ساختار و عملکرد یک ارگان را از سطح مولکول ها تا کل جسم فراهم می کنند. مغز پیچیده ترین عضو در بدن است و با توسعه سریع فناوری های تصویربرداری پزشکی و بیولوژیکی، توجهات تحقیقاتی فزاینده ای را به خود جلب می کند. از شایع ترین بیماری های مغز می توان به ایجاد بافت ناهنجار در سلول های مغزی اشاره کرد که منجر به تشکیل تومورهای مغزی می شود. از آنجایی که تومورهای مغزی با خطر مرگ و میر قابل توجهی مرتبط هستند و پیش بینی دقیق و سریع این بیماری در روند درمان تاثیر مستقیم دارد، لذا در این تحقیق از تعداد زیادی داده های تصویربرداری mri تومور مغزی برای شناسایی سرطان های مغز و یافتن روشی با استفاده از تکنیک های یادگیری عمیق استفاده شد. برای تشخیص خودکار از چند مدل یادگیری عمیق استفاده شد و طبقه بندی سه نوع تومور مغزی، متشکل از گلیوم، مننژیوم و هیپوفیز نیزبا این الگوریتم ها انجام شد. بر اساس نتایج آزمون های انجام شده، بهترین دقت نتایج به دست آمده در این تحقیق 96 درصد بود که با در نظر گرفتن نسبت 60 درصد برای داده های آموزشی و 40 درصد برای داده های آزمون حاصل شد.

optimal classification of brain tumors in mri images using deep learning techniques

medical and biological imaging technologies provide valuable image information of the structure and function of an organ from the level of molecules to the whole body. the brain is the most complex organ in the body and is attracting increasing research attention with the rapid development of medical and biological imaging technologies. one of the most common brain diseases is the creation of abnormal tissue in brain cells, which leads to the formation of brain tumors. since brain tumors are associated with a significant risk of death and the accurate and rapid prediction of this disease has a direct impact on the treatment process, therefore, in this research, a large number of brain tumor mri imaging data was used to identify brain cancers and find a method. deep learning techniques were used. several deep learning models were used for automatic diagnosis, and the classification of three types of brain tumors, consisting of glioma, meningioma, and pituitary, was also done with these algorithms. based on the results of the conducted tests, the best accuracy of the results obtained in this research was 96%, which was obtained by considering the ratio of 60% for training data and 40% for test data.