تشخیص خودکار تومور مغزی از تصاویر MRI با استفاده از یادگیری انتقالی و مقایسه معماری های عمیق

تشخیص زودهنگام نئوپلاسم های مغزی نقش مهمی در انتخاب به موقع راهبردهای درمانی و بهبود پیامدهای بالینی بیماران دارد. با این حال پیچیدگی الگوهای بافتی در تصاویر MRI و شباهت برخی ضایعات به بافت سالم، تفسیر دستی تصاویر را برای رادیولوژیست ها دشوار کرده است. در این پژوهش یک چارچوب مبتنی بر یادگیری عمیق برای طبقه بندی خودکار تصاویر MRI مغز در مسئله تشخیص تومور ارائه می شود. چهار معماری پیشرفته شبکه عصبی کانولوشنی شامل DenseNet۱۲۱، ResNet۵۰، VGG۱۶ و EfficientNetB۰ با رویکرد انتقال یادگیری بر روی مجموعه ای از تصاویر MRI مغز آموزش و ارزیابی شدند. فرآیند پیشنهادی شامل پیش پردازش تصاویر از جمله نرمال سازی شدت، حذف نویز و افزایش داده، تنظیم لایه های انتهایی هر معماری و ارزیابی بر اساس شاخص های دقت، حساسیت، ویژگی و F۱-score است. نتایج تجربی نشان می دهد که DenseNet۱۲۱ با دقت ۹۶.۲، حساسیت ۹۷.۱ درصد و F۱-score برابر با ۰.۹۶ بهترین عملکرد را در میان مدل های بررسی شده ارائه می دهد. یافته های این مطالعه نشان می دهد که مدل های مبتنی بر یادگیری عمیق می توانند به عنوان ابزار کمکی در فرآیند تشخیص تومور مغزی از تصاویر MRI مورد استفاده قرار گیرند.

کلیدواژه ها:

تومور مغزی ، MRI ، یادگیری عمیق ، شبکه های عصبی کانولوشن ، انتقال یادگیری ، DenseNet