تشخیص تومور مغزی در تصاویر MRI با تلفیقمدل های ResNet۵۰ و DenseNet۱۲۱مبتنی بر CBAM؛ارزیابی عدم قطعیت در شرایط داده های محدود

تشخیص دقیق و سریع تومورهای مغزی در تصاویر ام آرآی یکی از چالش های مهم در حوزه تصویربرداری پزشکی و تصمیم گیری بالینی به شمار می رود. محدودیت در داده های برچسب خورده و تنوع ساختاری تومورها، نیاز به مدل های یادگیری عمیق کارآمد، تفسیرپذیر و مقاوم در برابر داده های کم را بیش از پیش ضروری کرده است. در این پژوهش، یک مدل ترکیبی مبتنی بر یادگیری عمیق برای طبقه بندی تومورهای مغزی پیشنهاد شده است که از تلفیق معماری های ResNet۵۰ و DenseNet۱۲۱ همراه با ماژول توجه CBAM بهره می برد. معماری ResNet۵۰ با استفاده از مسیرهای باقی مانده امکان یادگیری عمیق و پایدار را فراهم می سازد، در حالی که DenseNet۱۲۱ با ساختار اتصال متراکم خود، به انتقال موثرتر ویژگی ها و افزایش کارایی مدل کمک می کند. ماژول CBAM نیز با اعمال توجه کانالی و مکانی، تمرکز مدل را بر نواحی کلیدی تصویر هدایت می کند و به بهبود دقت در طبقه بندی کمک می نماید. در طراحی مدل پیشنهادی، تلاش شده است تا با استفاده از استراتژی های افزایش مقاومت مدل در برابر داده های محدود، پایداری و تعمیم پذیری آن بهبود یابد. بررسی مطالعات پیشین نشان می دهد که استفاده تلفیقی از این سه مولفه می تواند منجر به افزایش چشمگیر در عملکرد شبکه های عصبی در طبقه بندی ام آرآی تومور مغزی گردد. همچنین در این پژوهش، به چالش های ناشی از محدودیت داده ها و راهکارهایی همچون یادگیری انتقالی، افزایش مصنوعی داده ها و امکان افزودن ارزیابی عدم قطعیت پرداخته شده است.

کلیدواژه ها:

یادگیری عمیق ، تومور مغزی ، CBAM ، ResNet۵۰ ، DenseNet۱۲۱ ، تصاویر ام آرآی