ارزیابی وتشخیص تومور رتینوبالستومای چشمی مبتنی بر شبکه عصبی پرسپترون چند لایه

تشخیص زودهنگام بیماری رتینوبالستوما، یکی از شایعترین سرطانهای چشمی در کودکان، می تواند به بهبود نتایج درمانی و کاهش نرخ مرگومیر کمک کند. با پیشرفت تکنیک های پردازش تصویر و یادگیری ماشین، بهویژه شبکه های عصبی، امکان تشخیص دقیقتر و سریعتر این بیماری فراهم شده است. در این مقاله، یک روش جدید برای تشخیص رتینوبالستوما با استفاده از شبکه عصبی پرسپترون چند لایه (MLP) پیشنهاد می شود. شبکه عصبی MLP با استفاده از ویژگی های استخراج شده از تصاویر پزشکی، بهویژه تصاویر شبکیه به شناسایی و طبقه بندی تصاویر چشمی به دو دسته طبیعی و رتینوبالستوما می پردازد. روش پیشنهادی از فرآیندهای پیشپردازش تصویر به طور ویژه طراحی شده تا بهترین ویژگی ها را از تصاویر پزشکی استخراج کند. به علاوه، مدل شبکه عصبی MLP با استفاده از ساختارهای بهینه به طور قابل توجهی دقت مدل را افزایش داده و آن را از سایر رویکردها متمایز می کند. این شبکه با افزایش عمق معماری و به کارگیری الیه های غیرخطی بیشتر، توانسته است ویژگی های پیچیده تر را در تصاویر شناسایی کرده تا ویژگی های مهم تصاویر استخراج شود. مدل طراحی شده با استفاده از مجموعه داده های معتبر آموزش دیده و عملکرد آن با معیارهایی همچون دقت (Accuracy) و منحنی ROC ارزیابی شد. نتایج نشان می دهند که مدل MLP توانسته است دقت تشخیص ۹۹.۴۵% را در دسته بندی تصاویر رتینوبالستوما به دست آورد و برتری خود را در مقایسه با مدل های سنتی ثابت کند. این مدل می تواند به عنوان یک ابزار موثر در تشخیص سریع و دقیق رتینوبالستوما در مراحل اولیه و کمک به پزشکان در تصمیم گیری های بالینی مورد استفاده قرار گیرد.

کلیدواژه ها:

رتینوبالستوما ، شبکه عصبی پرسپترون چند لایه( MLP ) ، تصاویر پزشکی ، یادگیری ماشین