طبقه بندی تومورهای مغزی از تصاویر MRI با شبکه کانولوشن و روش های آموزش انتقال
Publish place: 12th National Conference on Electrical Engineering
Publish Year: 1402
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 358
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCEEM12_031
تاریخ نمایه سازی: 30 آبان 1402
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.
Keywords:
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