ارزیابی الگوریتم‌های یادگیری ماشین برای پیش‌بینی تصاویر توموری و غیرتوموری mri مغزی

مقدمه: تشخیص زودهنگام تومورهای مغزی با استفاده از mri و الگوریتم‌های هوش مصنوعی نقش کلیدی در بهبود نتایج درمان دارد. تصاویر mri به عنوان ابزار اصلی برای شناسایی تومورهای مغزی عمل می‌کنند. هدف مطالعه، ارزیابی الگوریتم‌های یادگیری ماشینی برای تشخیص تومور و عدم تومور با استفاده از تصاویر mri بود.روش‌ها: در مجموع 2400 تصویر mri از kaggle.com جمع‌آوری شد و پیش‌پردازش لازم روی آنها صورت گرفت. الگوریتم‌هایی مانند رگرسیون لجستیک، درخت تصمیم، جنگل تصادفی، روش ساده بیز، ماشین بردار پشتیبان و k نزدیک‌ترین همسایه نیز بر روی تصاویر پیاده‌سازی شدند.یافته‌ها: بعد از بکارگیری همه‌ی الگوریتم‌ها، مقادیر دقت آموزش، دقت آزمایش، صحت، بازخوانی، امتیاز f1، ماتریس کانفیوژن و سطح زیر منحنی راک برای ارزیابی معیارهای عملکرد بدست آمدند.نتیجه‌گیری: بر اساس بررسی‌های انجام شده، الگوریتم‌های رگرسیون لجستیک و جنگل تصادفی بهترین عملکرد را از خود نشان دادند. الگوریتم‌های نایب بیز و درخت تصمیم نیازمند بهبود هستند.

evaluation of machine learning algorithms for predicting tumor and non-tumor brain mri images

background: early diagnosis of brain tumors using mri and artificial intelligence algorithms is fundamental in improving treatment results. mri images serve as the primary tool for identifying brain tumors. this study aims to evaluate machine learning algorithms for diagnosing brain tumors and non-tumors using mri images.methods: from kaggle.com a total of 2400 mri images were collected, and a pre-processing step was performed on them. algorithms such as logistic regression, decision tree, random forest, simple bayes method, support vector machine, and k nearest neighbor were also implemented on the images.findings: after applying all the algorithms, the values of training accuracy, test accuracy, accuracy, readability, f1 score, confusion matrix, and the area under the rocking curve were obtained to evaluate the performance criteria.conclusion: the investigations indicated that logistic regression and random forest algorithms performed the best. naive bayes and decision tree algorithms need improvement.