ترکیب ماشین بردار پشتیبان و مدل های پیش آموزش دیده ی شبکه عصبی کانولوشن به منظور طبقه بندی تومورهای مغزی در تصاویر ام آر آی

به دلیل محل رشد تومورهای مغزی در سر انسان، معمولا احتمال مرگ بر اثر این تومورها، شش برابر بیشتر از تومورهای دیگر است. سیستم های کامپیوتری را می توان برای کاهش تجویز درمان های نامناسب و کمک به متخصصان در تشخیص این بیماری استفاده کرد. در این مقاله از یک الگوریتم جدید به منظور تشخیص تومورها در ۹۰۰ تصویر ام آر آی استفاده شده است. این الگوریتم مشتمل بر چهار فاز اصلی است که در فاز اول بعد از ورود داده ها عملیات پیش پردازش بر روی تصاویر با استفاده از روش یکسان سازی هیستوگرام انجام می شود. در فاز دوم با استفاده از دو مدل پیش آموزش دیده شبکه عصبی کانولوشن، استخراج ویژگی انجام می شود. استفاده از مدل های پیش آموزش دیده شبکه عصبی کانولوشن باعث می شود که ویژگی ها با کیفیت بالاتر، نسبت به روش های سنتی از تصاویر استخراج شود. به علت ایجاد ویژگی های فراوان توسط مدل های شبکه عصبی کانولوشن، در فاز سوم از روش تحلیل مولفه های اصلی احتمالی به منظور کاهش ابعاد و وابستگی استفاده می شود که در نهایت ۱۰۰ ویژگی اصلی از هر مدل استخراج می شود. در فاز چهارم طبقه بندی با استفاده از الگوریتم ماشین بردار پشتیبان انجام می شود. به منظور مقایسه نتایج، از سه شاخص ویژگی، حساسیت، و دقت استفاده شده است. نتایج مقایسه ای نشان می دهد که الگوریتم پیشنهادی عملکرد مناسبی در اکثر داده ها دارد.

کلیدواژه ها:

یکسان سازی هیستوگرام ، مدل های پیش آموزش دیده شبکه عصبی کانولوشن ، تحلیل مولفه های اصلی احتمالی ، ماشین بردار پشتیبان