مدل سازی یک روش ترکیبی بر مبنای هوش مصنوعی بر اساس استخراج ویژگی ها در راستای شناسایی دقیق تومورهای مغزی

تصاویر MRI اولین دادههای ورودی هستند که در تشخیص تومورهای مغزی استفاده می شوند. سیستم بهداشت و درمان از توسعه سیستم های تشخیص خودگردان به شدت منتفع خواهد شد. به خاطر پیشرفت های تکنولوژیکی ، تصاویر MRI هم اکنون دیجیتال هستند و می توانند با اعمال روشهای پردازش تصویر روشهای طبقه بندی اتوماتیک آنالیز شوند. مراحل پردازش به بهبود دقت تشخیص تومور مغزی با استفاده از تکنیک های پردازش تصویر دیجیتال کمک می کنند. این مراحل عموما شامل گرفتن تصویر، نرمالیزاسیون، بهبود تصویر، استخراج ویژگی ها و انتخاب ویژگی ها هستند. این مطالعه ، نگاهی به یک تکنیکی برای طبقه بندی تصاویر MRI مغزی با استفاده از یادگیری انتقال و شبکه های عصبی کانولوشنالال کرده است . هدف اولیه این مطالعه توسعه یک مدلی برای شناسایی تومورهای مغزی با استفاده از تکنیک های یادگیری انتقال و تکنیک هایی برای پردازش و طبقه بندی تصاویر MRI بوده است . سیستم تشخیصی پیشنهادی از یک مدل از پیش آموزش دیده مانند NNC استفاده می کند و یادگیری عمیق را با یادگیری انتقال ادغام می نماید. برای نشان دادن عملکرد مدل و نتایج ، از شاخص های اندازه گیری مانند معیار دقت ، بازخوانی و امتیاز ۱f استفاده شده است . با استفاده از انواعی از استراتژیهای بهینه سازی مدل، دقت مدل افزایش داده شده است . این مدل تصاویر را به درستی به دسته هایی از تصاویر سالم و تصاویر حاوی تومور با دقت %۱,۹۳ دسته بندی کرده است .

کلیدواژه ها:

تومور مغزی ، معیار دقت و شبکه های عصبی کانولوشنالال