معرفی یک الگوریتم ترکیبی به منظور طبقه بندی تومورهای مغزی در تصاویر ام آر آی

این پژوهش به بررسی یک الگوریتم جدید به منظور طبقه بندی تصاویر ام آر آی می پردازد و تلاش می کند به این پرسش ها پاسخ دهد: آیا با الگوریتم جدید می توان به دقت صد درصد در طبقه بندی رسید؟ آیا با بالا رفتن تعداد کلاس ها می توانهمچنان دقت صد در صد را حفظ نمود؟ برای پاسخ به این پرسشها در گام اول با استفاده از تکنیک ماتریس هم رخداد 22 ویژگی، و همچنین با استفاده از تکنیکاستخراج ویژگی تبدیل موجک گسسته 6416 ویژگی از 421 تصویر ام آر آی ، استخراج می شود. در گام دوم به منظور کاهش ابعاد و کاهش وابستگی بین ویژگی های تبدیل موجک گسسته، از تکنیک تحلیل مولفه های اصلی استفاده می شودکه در نهایت از بین 1416 ویژگی، 8 مولفه اصلی از ترکیب خطی ویژگی های تبدیل موجک گسسته انتخاب شده است. این 8 مولفه اصلی، تقریبا 81 درصد واریانس را شرح می دهند. در گام سوم برای تعریف بردار وابستگی، 6 کلاس مختلف تعریف شده است که عکسهای نرمال و فاقد هر گونه ضایعه در یک کلاس و سایر عکسهای دارای ضایعه، در 5 کلاس دیگر طبقه بندی شده است. در گام آخر به منظور پیش بینی صحت طبقه بندی از سه تکنیک، شبکه عصبی شعاعی پایه، شبکه عصبی پس انتشار و ماشین بردار پشتیبان استفاده شده است. نتایج خروجی دقت طبقه بندی 411 درصد را در شبکه عصبی شعاعی پایه، ماشین بردار پشتیبان و شبکه عصبی پس انتشار نشان می دهد. همچنین در این مقاله با توجه به بالا بودن تعداد کلاس ها نسبت به مقاله های موجود در این حوزه، همچنان دقت 411 درصد در طبقه بندی مشاهده می شود. علت نتایج بدست آمده کیفیت بالای ویژگی های ترکیبی است که به عنوان ورودی به ابزارهای طبقه بندی می باشند.

Keywords:

ماتریس هم رخداد , تبدیل موجک گسسته , تحلیل مولفه های اصلی , طبقه بندی , شبکه های عصبی