تقسیم بندی تومورمغزی براساس یادگیری عمیق با استفاده از تصاویر مغزی MRI

تومورهای مغزی به عنوان یکی از جدی ترین اختلالات عصبی، نقش مهمی در تهدید سلامت انسان ایفا می کنند و تشخیص به موقع و دقیق آن ها تاثیر بسزایی در تعیین نوع درمان و بهبود پیش آگهی بیماران دارد. در سال های اخیر، تحلیل تصاویر MRI به کمک روش های مبتنی بر یادگیری عمیق به عنوان ابزاری نوین و کارآمد در تشخیص خودکار تومورهای مغزی مورد توجه قرار گرفته است. در این مقاله، یک چارچوب دو مرحله ای جهت تقسیم بندی و طبقه بندی تومور مغزی ارائه شده است. در مرحله نخست، از معماری U-Net به عنوان یک شبکه کانولوشنی قدرتمند برای بخش بندی دقیق ناحیه تومور در تصاویر MRI استفاده شده است. این شبکه به دلیل ساختار قرینه ای و مسیرهای اتصال میان لایه ها، توانایی بالایی در استخراج ویژگی های مکانی و حفظ جزئیات ساختاری تصویر دارد. در ادامه، طبقه بندی نوع تومور بر اساس ناحیه استخراج شده با بهره گیری از شبکه سبک و بهینه ی SqueezeNet انجام شده است که با وجود تعداد پارامترهای پایین، دقت قابل توجهی در تشخیص کلاس های مختلف تومور ارائه می دهد. نتایج تجربی حاصل از پیاده سازی این روش، نشان دهنده دقت بالا، کاهش زمان پردازش و قابلیت تعمیم مناسب مدل پیشنهادی در کاربردهای بالینی می باشد. این ترکیب از مدل های عمیق می تواند به عنوان ابزاری پشتیبان در فرآیند تشخیص تومور مغزی توسط پزشکان مورد استفاده قرار گیرد.

کلیدواژه ها:

تومور مغزی ، یادگیری عمیق ، MRI ، U-Net ، SqueezeNet