بهینه سازی شبکه عصبی عمیق ۱۶-VGG برای دسته بندی تصاویر پزشکی با مدیریت عدم توازن کلاس ها

دسته بندی تصاویر پزشکی از جمله تصاویر تشدید مغناطیسی نقش مهمی در برنامه ریزی های درمان ایفا می کند. یکی از چالش های مطرح در این تصاویر، عدم توازن داده هاست که منجر به کاهش دقت الگوریتم های یادگیری می شود. در تصاویر تشدید مغناطیسی تومورهای مغزی این عدم توازن منجر به سوگیری مدل به دسته غالب می شود و به این ترتیب دقت تشخیص در دسته کمتر دیده شده کاهش می یابد که در انتخاب روش درمان توسط پزشکان تاثیرگذار است. در این پژوهش، برای مقابله با چالش عدم توازن داده ها در تشخیص تومورهای مغزی درجه بالا و درجه پایین، رویکردی نوین مبتنی بر شبکه عصبی عمیق ۱۶-VGG پیشنهاد شده است. معماری بهینه شده پیشنهادی شامل حذف هدفمند عملیات Max-Pooling از بلوک چهارم، اصلاح در فرایند آموزش و به کارگیری روش نمونه برداری متعادل در سطح بیمار است. ارزیابی با استفاده از روش fold cross-validation بر مجموعه داده ۲۰۲۰ BraTS انجام شد. نتایج ارزیابی نشان داد معماری پیشنهادی باعث بهبود قابل توجه در معیارهای ارزیابی و کاهش سوگیری شبکه به سمت کلاس غالب شده است. میانگین معیارهای صحت، دقت و بازخوانی به ترتیب ۰/۹۱۵۲، ۰/۹۵۲۶ و ۰/۹۱۵۸ به دست آمد.

کلیدواژه ها:

تصاویر تشدید مغناطیسی ، تومور مغزی ، دسته بندی ، ۱۶-VGG