بهبود تشخیص تومور مغزی با تلفیق شبکه های عصبی کانولوشنی و الگوریتم های تکاملی

تومورهای مغزی از مشکلات جدی در زمینه بیماری های مغزی به شمار می آیند. تشخیص دقیق این تومورها و تمییزدادن بین تومورهایک چالش اساسی در پزشکی می باشد. در این راستا، تصاویر MRI به عنوان منبع غنی از اطلاعات برای تشخیص تومورهای مغزی استفاده می شوند، اما حجم بالای اطلاعات در این تصاویر موجب می شود تا انتخاب ویژگی های مهم و تشخیص دقیق تومورها به یک چالش تبدیل شود. در این پژوهش روش جدیدی پیشنهاد شده تا با ترکیب شبکه عصبی کانولوشنی عمیق و الگوریتم های تکاملی ، تومور مغزی را در تصاویر MRI شناسایی کند. ابتدا با استفاده ازیک شبکه عصبی کانولوشنی عمیق ، به صورت خودکار ویژگی هایی از تصاویر MRI استخراج می شود. سپس از الگوریتم های ژنتیک و کلونی مورچگان به عنوان دو ابزار برای انتخاب ویژگی های مفید و حذف ویژگی های غیرضروری استفاده می شوند. در مرحله بعد، با استفاده از دسته بندهای XGBoost و LightGBM سه نوع تومور مختلف شناسایی می شوند. نتایج این تحقیق نشان می دهند تلفیق استفاده از شبکه های عصبی کانولوشن و الگوریتم های تکاملی ، دقت تشخیص تومورهای مغزی را بهبود بخشیده و راهی به سوی توسعه روشهای پزشکی برای تشخیص دقیق تر بیماری های مغزی می باشد. برای ارزیابی روش پیشنهادی از مجموعه داده Figshare Brain Tumor استفاده شده است که به دقت ۵/۹۸% بر روی داده های آزمون دست یافتیم که برتر از روشهای موجود است .

بهبود تشخیص تومور مغزی با تلفیق شبکه های عصبی کانولوشنی و الگوریتم های تکاملی Keywords:

انتخاب ویژگی , تومور مغزی , ژنتیک , شبکه های عصبی کانولوشن , کلونی مورچگان