بهینه سازی قطعه بندی تصاویر پزشکی MRI با استفاده از الگوریتم نهنگ و شبکه های عصبی در جهت تشخیص نوع تومورهای مغزی

سالانه تعداد کثیری از مردم دنیا بر اثر مبتلا شدن به تومور مغزی جان خود را از دست می دهند. تشکیل این تومورهای مغزی به گونهای است که فرد مبتلا به این نوع بیماری، در مراحل ابتدایی از ابتلای خود به آن متوجه نیست. زمانی از این موضوع آگاهی می یابد که تومور رشد زیادی در مغز دارد. از این رو تشخیص سریع و به هنگام آن توسط پزشک متخصص می تواند به بهبود حال بیمار کمک شایانی نماید. پزشکان با اتکا بر دانش علمی و نتایج آزمایشات MRI می توانند از کیفیت رشد و نوع تومور اطلاع حاصل کنند. امروزه سیستم های کامپیوتری به این امر کمک نموده است. سیستم های کامپیوتری مبتنی بر تکنیک های پردازش تصویر توانسته اند که اطلاعات بسیار زیادی از تومور استخراج نمایند. به این ترتیب پزشکان می توانند با تحلیل سریع این اطلاعات تصمیمات درستی را در راستای بهبودی حال بیمار بگیرند. جهت تحلیل تومور موجود در تصاویر MRI به واسطه ی روش های پردازش تصویر، عملیات قطعه بندی تصاویر و بهینه بودن این فرایند جایگاه ویژه ای دارد. روش های زیادی در این خصوص موجود است. هر روش دارای کم و کاستی های مخصوص به خود می باشد. برخی از روش ها، توانایی قطعه بندی بهینه و برخی دیگر سرعت و دقت لازم را ندارند. لذا هدف مقاله حاضر، ارائه روش جدیدی است که بر اساس آن بتوان با بهره مندی از بانک اطلاعاتی بیماران و تصاویر MRI، قطعه بندی تصاویر تومور مغزی و تعیین نوع آنها را از لحاظ خوشخیم و بدخیم بودن با سرعت زیاد، دقت بالا و بهینه ترین حالت ممکن انجام داد. اساس این روش برای قطعه بندی، تشخیص و شناسایی نوع تومور، بر مبنای ترکیب الگوریتم بهینه سازی نهنگ و شبکه عصبی بازگشتی می باشد.

بهینه سازی قطعه بندی تصاویر پزشکی MRI با استفاده از الگوریتم نهنگ و شبکه های عصبی در جهت تشخیص نوع تومورهای مغزی Keywords:

الگوریتم بهینه سازی نهنگ , تعیین نوع تومور , تومور مغزی , شبکه عصبی بازگشتی , قطعه بندی تصاویر پزشکی , WOA , RNN