تشخیص تومور مغزی در تصاویر MRI با استفاده از شبکه عصبی کانولوشنی ResNet۱۸ و انتقال یادگیری

در این پژوهش، یک مدل تشخیص تومور مغزی مبتنی بر شبکه عصبی کانولوشنی (CNN) با استفاده از معماری ResNet۱۸ توسعه داده شده است. هدف اصلی این تحقیق، طراحی مدلی است که بتواند به طور خودکار تومورهای مغزی را از تصاویر MRI تشخیص دهد و عملکرد مناسبی در طبقه بندی تصاویر به دو دسته «تومور دارد» و «تومور ندارد» داشته باشد. برای این منظور، از انتقال یادگیری استفاده شد تا وزن های اولیه شبکه از مدل پیش آموزش داده شده روی مجموعه داده بزرگ ImageNet بهره ببرند و با تنظیم مجدد لایه های نهایی، شبکه برای مسئله خاص طبقه بندی تومور مغزی تطبیق یابد. داده های MRI به مجموعه های آموزش و تست تقسیم شده و فرآیندهای پیش پردازش شامل تغییر اندازه و نرمال سازی روی آن ها اعمال شد. در طی ده دوره آموزشی، مدل به دقت، دقت پیش بینی (Precision)، یادآوری (Recall) و نمره F۱ قابل قبولی دست یافت که به ترتیب برابر با ۰.۸۴۳۱، ۰.۷۹۳۱، ۰.۹۲۰۰ و ۰.۸۵۱۹ بود. این نتایج نشان دهنده کارایی و دقت بالای مدل در تشخیص الگوهای پیچیده تصویری و شناسایی تومورهای مغزی است. به طور کلی، مدل ResNet۱۸ توانست با موفقیت ویژگی های مهم تصاویر MRI را شناسایی و برای تشخیص تومور مغزی به کار گیرد.

کلیدواژه ها:

تشخیص تومور مغزی ، تصاویر MRI ، شبکه عصبی کانولوشنی ، ResNet۱۸ ، انتقال یادگیری ، طبقه بندی خودکار ، یادگیری عمیق