سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال

Publish Year: 1402
Type: Conference paper
Language: Persian
View: 567

This Paper With 13 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

NCEEM12_031

Index date: 21 November 2023

طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال abstract

تومورهای مغزی طیف متنوعی از انواع سرطان را نشان میدهند که میتوانند عوارض جدی ایجاد کرده و منجر به امید به زندگی ضعیف شوند.در حالی که پزشکان ابزارهای تشخیصی دارند که از آنها به عنوان استاندارد طلایی استفاده می کنند، یک نمونه پرکاربرد از یک تکنیکغیرتهاجمی، تصویربرداری تشدید مغناطیسی، به دلیل توانایی آن در تولید تصاویر با کنتراست بافت نرم متفاوت و وضوح فضایی بالا به لطفتوالی های تصویربرداری متعدد است. رویکردهای یادگیری عمیق، پتانسیل زیادی در تشخیص تومور مغزی نشان داده اند و می توانند به رادیولوژیستها در فرآیند تصمیم گیری کمک کنند. در این مقاله، طبقه بندی درجه تومور مغزی در تصاویر MR با استفاده از یادگیری عمیق انجام می شود. دو مدل محبوب CNN از پیش آموزش دیده ResNet ،VGG-۱۹ ، ۵۰ با استفاده از روش های تک MR و ترکیبی از آنها برای طبقه بندی گلیوماها به سه درجه استفاده شدند. همه مدل ها با استفاده از تقویت داده ها بر روی تصاویر دو بعدی از مجموعه داده TCGA که شامل حجم های سه بعدی از ۱۴۲ بیمار ناشناس بود، آموزش داده شدند. مدلها بر اساس دقت، دقت، یادآوری، امتیاز F، امتیاز AUC و همچنین آزمون رتبه بندی علامت دار Wilcoxon مورد ارزیابی قرار گرفتند تا مشخص شود که آیا یکی از طبقه بندی کننده ها از نظر آماری به طور معنی داری بهتر از دیگری است یا خیر. از آنجایی که مدل های یادگیری عمیق معمولا مدل های «جعبه سیاه» هستند و تفسیر آنها توسط افراد غیرمتخصص دشوار است، نقشه برداری فعال سازی کلاس با وزن گرادیان Grad-CAM به منظور پرداختن به توضیح پذیری مدل استفاده شد. برای مدالیته های تک VGG-۱۹ بالاترین عملکرد را با دقت تست ۷۷.۸۶ % نشان داد، در حالی که برای ترکیب دو و سه مدالیته T۱ce ، FLAIR و T۱ce ، FLAIR بهترین عملکرد را برای VGG-۱۹ با دقت آزمایشی به ترتیب ۷۴.۴۸% ، ۷۵.۷۸% برای توضیح مدل نشان داد که ResNet ۵۰ قادر است ناحیه تومور را بهتر از VGG-۱۹ بومی سازی کند.

طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال Keywords:

طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال authors

دینا لوحی نژادیان

کارشناس ارشد مهندسی پزشکی،گروه مهندسی پزشکی،دانشکده مهندسی،واحد دانشگاه آزاد اسلامی کازرون،فارس،ایران

امیر قائدی

دانشیار،دانشکده ی مهندسی واحد دانشگاه آزاد اسلامی کازرون،فارس،ایران

محمدحسین فاتحی دیندارلو

استادیار دانشکده ی مهندسی واحد دانشگاه آزاد اسلامی کازرون،فارس

مقاله فارسی "طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال" توسط دینا لوحی نژادیان، کارشناس ارشد مهندسی پزشکی،گروه مهندسی پزشکی،دانشکده مهندسی،واحد دانشگاه آزاد اسلامی کازرون،فارس،ایران؛ امیر قائدی، دانشیار،دانشکده ی مهندسی واحد دانشگاه آزاد اسلامی کازرون،فارس،ایران؛ محمدحسین فاتحی دیندارلو، استادیار دانشکده ی مهندسی واحد دانشگاه آزاد اسلامی کازرون،فارس نوشته شده و در سال 1402 پس از تایید کمیته علمی دوازدهمین کنفرانس ملی مهندسی برق مجلسی پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله تومور مغزی، تصویربرداری رزونانس مغناطیسی، یادگیری عمیق، مغز، شبکه عصبی کانولوشن، یادگیری انتقال هستند. این مقاله در تاریخ 30 آبان 1402 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 567 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که تومورهای مغزی طیف متنوعی از انواع سرطان را نشان میدهند که میتوانند عوارض جدی ایجاد کرده و منجر به امید به زندگی ضعیف شوند.در حالی که پزشکان ابزارهای تشخیصی دارند که از آنها به عنوان استاندارد طلایی استفاده می کنند، یک نمونه پرکاربرد از یک تکنیکغیرتهاجمی، تصویربرداری تشدید مغناطیسی، به دلیل توانایی آن در تولید تصاویر با کنتراست بافت نرم ... . این مقاله در دسته بندی موضوعی شبکه عصبی و یادگیری عمیق طبقه بندی شده است. برای دانلود فایل کامل مقاله طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال با 13 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.