تاثیر داده افزاری در تشخیص تومور مغزی با استفاده از شبکه عمیق کانولوشن

تشخیص و طبقه بندی تومور مغزی گام مهمی برای درک بهتر مکانیسم آن است. تصویربرداری (MRI) یک تکنیک تصویربرداری پزشکی تجربی است که به رادیولوژیست کمک می کند تا ناحیه تومور را پیدا کند. با این حال، این کار یک فرآیند زمان بر است و برای آزمایش دستی تصاویر MRI نیاز به تخصص دارد. امروزه، پیشرفت تشخیص به کمک رایانه (CAD)، یادگیری ماشین و یادگیری عمیق به طور خاص به رادیولوژیست اجازه می دهد تا تومورهای مغزی را با اطمینان بیشتری شناسایی کند. روش های سنتی یادگیری ماشینی که برای مقابله با این مشکل استفاده می شوند، به اعمال ویژگی ها به صورت دستی برای طبقه بندی نیاز دارند. در حالی که روش های یادگیری عمیق را می توان به گونه ای طراحی کرد که نیازی به استخراج ویژگی های دستی نداشته باشد اما یادگیرهای عمیق به شدت وابسته داده های زیاد هستند. این مقاله دومدل یادگیری عمیق را برای شناسایی تومورهای مغزی باینری (طبیعی و غیرطبیعی) و چند طبقه ای (مننژیوم، گلیوما و هیپوفیز) پیشنهاد می کند. مدل اول بدون استفاده از داده افزایی، و مدل دوم پس از اعمال داده افزایی آموزش دیده شده است. در هر دو مدل از شبکه عمیق CNN با ساختار و معماری یکسان استفاده شده است. دو پایگاه داده مورد استفاده به ترتیب شامل ۳۰۶۴ و ۱۵۲ تصویر MRI هستند. نتایج تجربی نشان می دهد که در دیتا ست دوم که مدل دچار بیش برازش می شود دقت از ۸۱.۵ در داده های آزمون پس از داده افزایی به ۷۸.۸ افزایش پیدا می کند.

کلیدواژه ها:

تشخیص تومور مغزی ، یادگیری ماشین ، شبکه عمیق کانولوشن ، داده افزایی