یک چارچوب یادگیری عمیق بهبود یافته مبتنی بر VGG برای طبقه بندی گلیوما در تصاویر تشدید مغناطیسی مغز

چکیدهمقدمه: تشخیص زودهنگام تومورهای مغزی، می تواند نقش مهمی در برنامه ریزی های درمان داشته باشد. در تصاویر تشدید مغناطیسی مغز، شباهت های زیادی بین بافت سالم و سرطانی وجود دارد، لذا تشخیص دقیق تومورها به یک چالش مهم تبدیل شده است. همچنین طبقه بندی دستی این تصاویر، زمان بر و مستعد خطای انسانی است؛ لذا توسعه روش های طبقه بندی خودکار می تواند کمک موثری به پزشکان ارائه دهد.روش بررسی: در این پژوهش، معماری جدیدی از شبکه عصبی عمیق برای طبقه بندی خودکار تومور مغزی در تصاویر تشدید مغناطیسی پیشنهاد شده است. در روش پیشنهادی، معماری شبکه عصبی عمیق VGG-۱۶ بازطراحی شده است. به منظور حفظ رزولوشن مکانی ویژگی ها در عمق شبکه و تشخیص نواحی کوچک تومورها و شناسایی مرزهای مبهم، لایه max‑pooling در معماری VGG‑۱۶ حذف گردید. یافته ها: روش پیشنهادی با استفاده از مجموعه داده BraTS۲۰۲۰ با روش ۱۰-fold cross validation ارزیابی شد. نتایج ارزیابی بر اساس معیارهای Accuracy، Precision، Recall، Specificity، F۱ Score و AUC نشان داد که معماری پیشنهادی نسبت به نسخه اصلی شبکه عصبی VGG-۱۶، عملکرد بهتری دارد و توانسته در معیارهای ذکر شده به ترتیب به مقادیر ۰۰۳۵/۰ ۹۵۱۲±/۰، ۰۰۲۶/۰ ۹۷۳۹±/۰، ۰۰۴۴/۰ ±۹۵۲۴/۰، ۰۰۵۱/۰ ±۹۴۹۰/۰، ۰۰۲۷/۰ ±۹۶۳۰/۰، ۰۰۴۴/۰ ±۹۵۱۴ /۰ دست یابد.نتیجه گیری: نتایج حاصل از روش پیشنهادی در این پژوهش، تایید می کند که حفظ اطلاعات مکانی و شناسایی مرزهای مبهم می تواند نقش مهمی در افزایش دقت طبقه بندی داشته باشد. به علاوه تغییرات اعمال شده منجر به همگرایی سریع تر و کاهش نمونه برداری بیش از حد (Over-Downsampling) شده است.

کلیدواژه ها:

پردازش تصاویر تشدید مغناطیسی ، تومور ، شبکه عصبی عمیق VGG ، طبقه بندی ، مجموعه داده BraTS۲۰۲۰ ، یادگیری عمیق