بهبود کارایی محاسباتی و عملکرد تشخیص در طبقه بندی تومورهای مغزی با استفاده از مدل EfficientNet-B۳ و بهینه ساز Hyperband

تومورهای مغزی به دلیل ماهیت تهاجم سلولی و پیچیدگی های ساختاری یکی از چالش برانگیزترین ناهنجاری های سیستم عصبی هستند که تشخیص دیرهنگام آن ها می تواند پیامدهای جبران ناپذیری داشته باشد. این پژوهش با هدف توسعه یک مدل هوشمند و بهینه بر پایه یادگیری انتقالی با هدف افزایش دقت طبقه بندی تصاویر MRI مغز در چهار کلاس تشخیصی انجام می شود. این مطالعه کاربردی بر روی مجموعه داده های عمومی شامل ۷۰۲۳ تصویر MRI گلیوما، مننژیوم، تومور هیپوفیز و نمونه های سالم آموزش می بیند. به این منظور پس از پیش پردازش و افزایش داده ها ابتدا بهینه سازی ابرپارامترها توسط الگوریتم Hyperband انجام می گیرد و سپس یک طبقه بند سفارشی برای معماری بهینه شده EfficientNet-B۳ طراحی می شود که با استفاده از زمان بندی نرخ یادگیری کسینوسی و محاسبات با دقت ترکیبی پویا آموزش می بیند. این رویکرد یادگیری دقت پویا با بهینه سازی سلسله مراتبی دقت محاسبات (FP۱۶/FP۳۲) به صورت خودکار، موجب کاهش حجم محاسبات و افزایش سرعت آموزش می شود. نتایج حاصل از این پژوهش نشان می دهد که مدل پیشنهادی توانمندی بالایی در استخراج ویژگی های متمایزکننده بافت های سرطانی دارد و نسبت به معماری های مشابه پایداری و قدرت تعمیم پذیری بیشتری در تشخیص کلاس های مختلف از خود نشان می دهد. یافته ها تایید می کنند که بهینه سازی دقیق پارامترهای لایه طبقه بندی کننده می تواند عملکرد مدل های میان رده را به سطح مدل های سنگین میرساند و کارایی محاسباتی را به طور قابل توجهی بهبود می بخشد. بر این اساس مدل ارائه شده به دلیل دقت بالا و بار محاسباتی کم پتانسیل بالایی برای به کارگیری در سیستم های کمک تشخیصی هوشمند در مراکز درمانی دارد.

کلیدواژه ها:

تومور مغزی ، یادگیری عمیق ، یادگیری انتقالی ، بهینه سازی ابرپارامترها ، EfficientNet-B۳