تشخیص تومور مغزی با استفاده از شبکه عصبی

تلفات انسانی زیاد به علت تومور مغزی، تشخیص زود هنگام آن را در مراحل اولیه، جهت معالجه و کاهش مرگ و میر الزامی می نماید. لذا برای بررسی دقیق تومورها استفاده از روش های اتوماتیک و کامپیوتری بسیار مفید خواهد بود. در سال های اخیر استفاده از تصاویر MRI به دلیل وضوح و کیفیت بالا جهت تعیین تومور و خصوصیات آن مورد توجه قرار گرفته است. در میان تومورهای مغزی، گلیوما شایع ترین و تهاجمی ترین نوع است که امید به زندگی در افراد مبتلا به آن بسیار کم می باشد. بنابراین برنامه ریزی درمانی یک مرحله ی کلیدی برای بهبود کیفیت زندگی بیماران سرطانی تلقی می شود. تصویربرداری MRI از طریق رزونانس مغناطیسی، یک تکنیک تصویربرداری پرکاربرد برای ارزیابی این گونه از تومورها است. اما داده های وسیعی که از MRI به وجود می آیند از تقسیم بندی دستی در زمان معقول جلوگیری می کنند و باعث محدود شدن استفاده از اندازه گیری های کمی دقیق در عمل بالینی می شوند. به همین علت نیازمند روش های تقسیم بندی خودکار و مطمئن هستیم. با این وجود، تنوع فضایی و ساختاری بزرگ میان تومورهای مغزی، تقسیم بندی خودکار را به یک مشکل چالش برانگیز تبدیل می کند. در این مقاله یک روش تقسیم بندی خودکار بر اساس شبکه های عصبی کانولوشن CNN و با اضافه کردن الیه های کانولوشن می توان درصد دقت را باال برد. در این مقاله با استفاده از چهار الیه کانولوشن CNN در کد برنامه و ۵۰ دوره آموزش توانستیم دقت پژوهش را در TensorFlow کتابخانه نرم افزاری متن باز به ۹۶٪ برسانیم.

کلیدواژه ها:

تومور مغزی ، کانولوشن ، شبکه عصبی ، یادگیری ماشین ، یادگیری عمیق