احسان قلی پور - دانشجوی کارشناسی ارشد مهندسی صنایع. ارومیه،ابتدای جاده بند،دانشگاه صنعتی ارومیه
کامیار صبری لقائی - دانشیار گروه مهندسی صنایع. ارومیه،ابتدای جاده بند،دانشگاه صنعتی ارومیه

شناسایی زودهنگام و موفقیت آمیز تومورهای مغزی نقش مهمی در بهبود نتایج درمان و بقای بیمار دارد.در حال حاضر،تشخیص ناهنجاری از طریق تصاویر ام آر آی عمدتا به صورت دستی است و نیازمند صرف زمان زیادی است.همچنین تکنیک دستی تشخیص نیز مستعد خطا و فرآیند دشواری است که می تواند زندگی بیمار را با خطر روبرو بکند.بنابراین، نیاز اساسی به روش های کامپیوتری با دقت بهتر برای تشخیص زودهنگام تومور وجود دارد.برای حل این مسائل،مطالعات بر روی تکنیک های مختلف یادگیری ماشین و یادگیری عمیق برای تشخیص تومور مبتنی بر کامپیوتر متمرکز شده اند.یادگیری عمیق در مقایسه با الگوریتم های کلاسیک یادگیری ماشینی عملکرد بهتری داشت که از چند سال گذشته به طور گسترده برای ساخت یک مدل اتوماتیک یا ترکیبی برای شناسایی موثر تومور در زمان کمتر و حداکثر دقت مورد استفاده قرار گرفته است. هدف اصلی شناسایی کامپیوتری تومور مغزی به دست آوردن اطلاعات بالینی مهم در مورد حضور، محل، نوع و تقسیم بندی دقیق زیرگونه های تومور است.در این مقاله،ما عملیات پیش پردازش دقیق و پایداری را بر روی تصاویر ام آر آی اعمال می کنیم.که از مهم ترین آن ها می توان به گسترش دامنه شدت تصاویر،جهت بهبود کنتراست اشاره کرد.همچنین رویکرد جدیدی با نام مکانیزم توجه را برای از بین بردن مقدار قابل توجهی از اثر پس زمینه در تصاویر و تمرکز بر خود تومور و بافت های اطراف آن جهت تقسیم بندی تومور را ارائه می کنیم.ما از یک معماری پیشنهادی Unet-۳D برای بخش بندی دقیق تر تومور مغزی استفاده کردیم.در این معماری،رویکرد اصلاح شده مرحله رمزگشا پیشنهاد می شود.ما معماری پیشنهادی را برروی مجموعه داده تقسیم بندی تومور مغزی ۲۰۲۰ (BRATS) اعمال می کنیم.نمرات تاس (DSC)کل تومور (WT)،هسته تومور (TC) و تومور افزایش یافته (ET) به ترتیب ۸۹.۸۴%.۸۷.۱۹%.۸۳.۷۲% بدست می آیند

تومور مغزی،یادگیری عمیق،ام آر آی، شبکه عصبی کانولوشن