تشخیص تومور مغزی بر اساس ترکیب اطلاعات چند جانبه و شبکه عصبیکانولوشنال

تومور مغزی یکی از ناهنجاری های مغزی است که به دلایل مختلفی ایجاد می شود. این بیماری ناشناختهو درمان نشده باعث افزایش عوارض و مرگ و میر می شود. ارزیابی سطح بالینی تومور مغزی معمولا با استفاده از روش تصویربرداری زیستی انجام می شود و غربالگری مغز با کمک MRI یکی از تکنیک های یکی از تکنیک های جهانی است. هدف کار پیشنهادی توسعه یک معماری یادگیری عمیق برای پشتیبانی از تشخیص خودکار تومور مغزی با استفاده از برش های MRI دو بعدی است. این کار الگوریتم های زیر را برای شناسایی تومور مغزی پیشنهاد می کند: (الف) پیاده سازی الگوریتم های از پیش آموزش دیده، مانند VGG۱۶ ،AlexNet ResNet۵۰ ،VGG۱۹ و ResNet۱۰۱ باطبقه بندی کننده SoftMax مبتنی بر ویژگی های عمیق ب) الگوریتم های از پیش آموزش دیده با طبقه بندی مبتنی بر ویژگی های عمیق با استفاده از درخت تصمیم DT، k نزدیکترین همسایه knn,CNN,SVM و پ) یک شبکه سفارشی VGG۱۹ با ویژگی های عمیق ترکیبی سریال و ویژگی های دست ساز برای بهبود دقت تشخیص BT، بررسی تجربی به طور برای اثبات عملکرد DLA پیشنهادی اجرا شد. نتایج این کار تایید می کند که VGG۱۹ با CNN به دقت طبقه بندی بهتر در روش های Flair، TIC,T۲ به ترتیب با دقت های بیش از ۹۹% ،۹۸%،۹۷% کمک کرد.

کلیدواژه ها:

تومور مغزی ، برش های MRI مغز ، VGG۱۹ ، ویژگی های عمیق ، الحاق ویژگی ها ، شبکه عصبی کانولوشن.