مدل سازی یک روش ترکیبی بر مبنای هوش مصنوعی بر اساس استخراج ویژگی ها در راستای شناسایی دقیق تومورهای مغزی
- سال انتشار: 1403
- محل انتشار: هفتمین همایش ملی فناوریهای نوین در مهندسی برق، کامپیوتر و مکانیک ایران
- کد COI اختصاصی: STCONF07_074
- زبان مقاله: فارسی
- تعداد مشاهده: 186
نویسندگان
دانشجو گروه برق ، دانشکده فنی و مهندسی، واحد کازرون، دانشگاه آزاد اسلامی، ایران
استاد گروه مهندسی برق،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی واحد کازرون
استاد گروه مهندسی برق،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی واحد کازرون
استاد گروه مهندسی برق،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی واحد کازرون
چکیده
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 کانولوشنالالمقالات مرتبط جدید
- سودآوری مشتریان در خردهفروشی قطعات یدکی ماشین آلات راهسازی با رویکرد یادگیری ماشین
- ارائه روشی کارآمد جهت شناسایی کودکان نیازمند به پیوند مغز استخوان با استفاده از ترکیب طبقه بند ماشین بردار پشتیبان و الگوریتم بهینه سازی فاخته
- استخراج بهینه پارامترهای تاثیر گذار الگوریتم بهینه سازی بوفالوی آفریقایی با هدف استخراج ویژگی های مهم به منظور افزایش کارایی طبقه بندی داده ها
- ارائه روشی کارآمد برای بهبود عملکرد الگوریتم بهینه سازی کلاغ سیاه به منظور افزایش صحت خوشه بندی داده ها
- استفاده از الگوریتم باور بیزین در لایه کاملا متصل شبکه عصبی کانولوشن با هدف افزایش دقت تشخیص تصاویر
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.