تشخیص و طبقه بندی تومورهای مغزی با استفاده از مدل های یادگیری عمیق و یادگیری انتقالی بر پایه تصاویر MRI

تومورهای مغزی یکی از شایع ترین و کشنده ترین نوع سرطان هستند. تشخیص دقیق و به موقع این دسته از تومور ها برای مدیریت بیماری و پیش آگهی موفق بیمار، ضروری است. همچنین تشخیص دقیق نوع تومور مغزی نقشی حیاتی در تعیین مسیر درمان ایفا می نماید. با شناخت نوع تومور، پزشک می تواند مناسب ترین روش درمانی را انتخاب کند که می تواند شامل جراحی، پرتودرمانی، شیمی درمانی یا ترکیبی از این روش ها باشد. همچنین نوع تومور به پیش بینی پیشرفت بیماری و کیفیت زندگی پس از درمان بیمار کمک می نماید. در سال های اخیر، یادگیری عمیق به عنوان ابزاری قدرتمند برای وظایف مختلف پردازش تصویر، از جمله تشخیص تومور مغزی، بکار گرفته شده است. در این مقاله، مدل های مختلف یادگیری عمیق مانند CNN، RNN، VGG۱۶،InceptionV۳  و رزنت۱۰۱ به منظور تشخیص نوع تومور مغزی از مجموعه داده Figshare مبتنی بر تصاویر ام آر آی تومورهای مغزی گلیوم، مننژیوم، هیپوفیز، و بدون تومور بررسی و در نهایت یک مدل عمیق مناسب مبتنی بر رزنت ۱۰۱ در ترکیب با یادگیری انتقالی پیشنهاد می شود. یافته های مقاله براساس معیارهای مختلف و نیز تست آماری نشان می دهد که مدل های عمیق می توانند به طور موثر برای تشخیص تومور مغزی مورد استفاده قرار گیرند. در این میان مدل عمیق رزنت۱۰۱ توانسته است دقت ۳۷/%۹۸ در تشخیص چهار کلاس معرفی شده را بدست آورد. این مطالعه نشان می دهد که یادگیری عمیق پتانسیل قابل توجهی برای بهبود دقت تشخیص تومور مغزی را دارد.

Keywords:

Brain tumor detection , Deep learning , Transfer learning , Figshare dataset , Image processing , ResNet۱۰۱ , Deep neural network. , تشخیص تومور مغزی , یادگیری عمیق , یادگیری انتقالی , مجموعه داده Figshare , رزنت ۱۰۱ , پردازش تصویر , شبکه های عصبی عمیق.