حمید جهانی - کارشناسی ارشد علم داده ها ، دانشکده علوم و فناوریهای بین رشتهای ، دانشگاه تربیت مدرس
زهرا احمدیان - دانشجوی کارشناسی ارشد علم داده ها ، دانشکده آمار، علوم ریاضی ورایانه ، دانشگاه علامه طباطبائی
محمد بحرانی - استادیار گروه علوم رایانه ، دانشکده آمار، علوم ریاضی ورایانه ، دانشگاه علامه طباطبائی

تومور مغزی یکی از کشنده ترین سرطانها و عامل مرگ عدهی زیادی از افراد در هر سال می باشد. تشخیص تومور در مراحل ابتدایی آن کمک بسیاری به نجات جان بیمار می کند. در این مطالعه از تصاویر MRI مربوط به ۳۱۴ نفر استفاده شده است . این تصاویر دارای دقت ۵۱۲*۸۰۰ می باشند. جمجمه از تصاویر جدا شده است و تنها قسمت های مربوط به مغز و تومورها در تصاویر باقی ماندهاند. تصاویر ماسک شده ی اصلی توسط متخصص رادیولوژیست ایجاد شدهاند تا برچسب های دقیقی داشته باشیم . سپس مدل Unet به همراه تابع زیان Focal برروی مجموعه داده برازش داده شده است . بااستفاده از اعتبارسنجی متقابل ۵ گانه میانگین دقت ، بازنمایی و f۱ برابر با ۷۸% ، ۱.۸۱% ، ۸.۷۹% ، ۴.۷۹%و ۷.۸۶% بدست آمد. می توان دید که باتوجه به مطالعات مشابه که دقت مدل Unet به همراه تابع زیان Focal از مدل Unet به همراه تابع زیان آنتروپی دودویی متقاطع بیشتر است و بر اساس نتایج حاصل شده می توان با آموزش مدل برروی مجموعه دادهای بسیار بزرگتر از مجموعه فعلی به دقت بسیار خوبی در قطعه بندی مغز دست یابیم .

قطعه بندی خودکار تومور، یادگیری عمیق ، معماری Unet، تشخیص ، تصاویر MRI