گسترش کاربرد الگوریتم های یادگیری عمیق در قطعه بندی و شناسایی اتوماتیک تومورهای مغزی

تومور اساسا رشد کنترل نشده سلولهای سرطانی در هر قسمت از بدن است در حالی که تومور مغزی رشد کنترل نشده سلولهای سرطانی در مغز است. تومور مغزی میتواند خوش خیم یا بدخیم باشد تومور خوش خیم مغز دارای ساختار یکنواختی است و حاوی سلولهای فعال سرطانی نیست در حالی که تومورهای مغزی بدخیم ساختاری غیریکنواخت ناهمگن) دارند و حاوی سلولهای فعال هستند. در این مقاله مدلهای مبتنی بر یادگیری ،انتقال علاوه بر یک شبکه عصبی کانولوشنال (CNN) به نام BRAIN TUMOR-net که از ابتدا آموزش دیده اند معرفی میشوند تا تصاویر تشدید مغناطیسی مغز را به تومور یا موارد عادی طبقه بندی کنند مقایسه ای بین مدلهای Inceptionv۳ InceptionResNetvr، و ResNet۵۰ از پیش آموزش دیده و BRAIN-TUMOR-net پیشنهادی معرفی شده است عملکرد مدل پیشنهادی بر روی سه مجموعه داده تصویربرداری تشدید مغناطیسی (MRI) در دسترس عموم آزمایش می.شود نتایج نشان میدهد که BRAIN -TUMOR net بالاترین دقت را در مقایسه با مدلهای دیگر به دست میآورد برای سه مجموعه داده مختلف MRI به سطوح دقت ۱۰۰ ۹۷ و ۸۴٫۷۸٪ دست می باید علاوه بر این تکنیک اعتبارسنجی متقاطع k-fold برای امکان طبقه بندی قوی استفاده میشود. علاوه بر این از سه تکنیک مختلف خوشه بندی بدون نظارت برای تقسیم بندی استفاده میشود.