افزایش عملکرد و کاهش هزینه های محاسباتی در تشخیص تومور مغزی با به کارگیری الگوریتم PSO و معماری های ResNet بهبودیافته

تومورهای مغزی از جمله بیماری های پیچیده و تهدیدکننده حیات هستند که تشخیص دقیق و به موقع آن ها نقش مهمی در بهبود روند درمان و افزایش بقای بیماران دارد. با وجود پیشرفت های تصویربرداری پزشکی، تفسیر دستی تصاویر MRI همچنان زمان بر و مستعد خطای انسانی است. هدف این پژوهش، ارائه یک چارچوب مبتنی بر یادگیری عمیق برای تشخیص و طبقه بندی چندکلاسه تومورهای مغزی با استفاده از تصاویر MRI است. این پژوهش کاربردی با بهره گیری از یادگیری انتقالی بر روی یک مجموعه داده عمومی از تصاویر MRI تومورهای مغزی شامل ۷۰۲۳ تصویر چهارکلاسه انجام شده است. در این مطالعه، یک مدل مبتنی بر معماری ResNet۱۸ که در آن تمامی لایه های کانولوشنی فریز شده و تنها لایه طبقه بند جدید آموزش داده شد، با بهینه سازی ابرپارامترهای کلیدی شامل نرخ یادگیری، نرخ dropout و تعداد واحدهای لایه Dense به کمک الگوریتم فراابتکاری بهینه سازی ازدحام ذرات (Particle Swarm Optimization) طراحی و پیاده سازی شده و سپس به یک مدل مستقل مبتنی بر معماری عمیق تر ResNet۳۴ که ابتدا کامل فریز شد و پس از چند دوره، سه بلوک پایانی آن تنظیم دقیق (Fine-tuning) گردید، نیز توسعه داده شد. این استراتژی ها با کاهش چشمگیر تعداد پارامترهای قابل آموزش و حجم محاسبات (FLOPs)، منجر به ایجاد مدل هایی سبک تر و با سرعت اجرای بالاتر نسبت به حالات استاندارد شدند. تحلیل داده ها با استفاده از معیارهای متداول ارزیابی مدل های طبقه بندی انجام گرفت. نتایج نشان داد که هر دو مدل توانایی بالایی در تفکیک کلاس های مختلف تومورهای مغزی دارند و مدل عمیق تر عملکرد بهتری در استخراج ویژگی های تبعیض پذیر از تصاویر MRI ارائه می دهد. همچنین بهینه سازی هوشمند ابرپارامترها نقش موثری در بهبود عملکرد مدل ها ایفا کرده است. در مجموع، یافته های این پژوهش بیانگر آن است که ترکیب معماری های عمیق ResNet با استراتژی های هدفمند فریز/تنظیم دقیق لایه ها و روش های بهینه سازی فراابتکاری می تواند به توسعه سیستم های تشخیص خودکار دقیق تر، کارآمد از نظر محاسباتی و سریع در حوزه هوش مصنوعی در پزشکی و سلامت کمک کند.

کلیدواژه ها:

طبقه بندی تومورهای مغزی ، یادگیری عمیق ، یادگیری انتقالی ، شبکه های ResNet ، بهینه سازی فراابتکاری