دفاعیه ارشد: تشخیص تومور مغزی با استفاده از شبکه ی عصبی پیچشی توسعه یافته مبتنی بر کانولوشن های اتساع یافته و مکانیزم توجه بروی تصاویر دوبعدی

تشخیص تومور مغزی با استفاده از شبکه ی عصبی پیچشی توسعه یافته مبتنی بر کانولوشن های اتساع یافته و مکانیزم توجه بروی تصاویر دوبعدی روز پنجشنبه، 26 شهریور، 1405 توسط موسسه آموزش عالی پیشتازان شیراز در شهر شیراز استان فارس برگزار می شود.

تومورهای مغزی یکی از کشنده ترین بیماری های سیستم عصبی هستند و تشخیص زودهنگام و دقیق آن ها نقش تعیین کننده ای در افزایش شانس درمان بیماران دارد. با این حال، تشخیص دستی توسط پزشک به دلیل تنوع بالای اندازه، شکل و موقعیت تومور در تصاویر رزونانس مغناطیسی (MRI) و همچنین احتمال خطای انسانی، با محدودیت هایی مواجه است. این پژوهش یک شبکه ی عصبی پیچشی توسعه یافته (Dilated CNN) مبتنی بر بلوک های کانولوشن اتساع یافته با نرخ های تصاعدی ۲، ۴، ۸ و ۱۶ به همراه اتصالات باقی مانده (Residual Connection) و ماژول توجه CBAM (Convolutional Block Attention Module) برای تشخیص خودکار تومور مغزی از روی تصاویر MRI دوبعدی پیشنهاد می کند. ابتدا یک پایپ لاین پیش پردازش شش مرحله ای شامل حذف جمجمه (بر پایه آستانه گذاری Otsu و عملیات مورفولوژیک)، تصحیح گاما (مقدار ۱.۰۸)، افزایش کنتراست موضعی با CLAHE در فضای رنگی LAB، کشش کنتراست بر پایه ی صدک های ۲ و ۹۸، ماسک تیزکننده و نرمال سازی Z-score روی مجموعه داده ی عمومی Brain Tumor MRI از پایگاه Kaggle اعمال شد که از میان ۱۸,۸۴۶ تصویر خام، ۹,۸۲۹ تصویر پیش پردازش شده و استانداردشده در ابعاد ۲۵۶×۲۵۶ پیکسل برای آموزش، اعتبارسنجی و آزمایش (به نسبت ۷۰٪، ۱۵٪ و ۱۵٪) آماده گردید. معماری پیشنهادی متشکل از یک لایه ی کانولوشن اولیه ی ۷×۷ و چهار بلوک کانولوشن اتساع یافته ی متوالی است که با افزایش نرخ اتساع در هر بلوک، میدان دید موثر شبکه بدون افزایش محسوس تعداد پارامترها به صورت نمایی گسترش می یابد و امکان تشخیص هم زمان تومورهای کوچک و بزرگ را فراهم می کند. ماژول CBAM نیز با اعمال توجه کانالی و مکانی، به مدل کمک می کند تا بر ویژگی های مهم و ناحیه ی تومور تمرکز کند. مدل با بهینه ساز AdamW، نرخ یادگیری اولیه ی ۰.۰۰۱ و زمان بند کاهنده در ۵۰ ایپاک آموزش داده شد و به دقت اعتبارسنجی ۹۸.۷۴٪ و دقت ۹۸.۶۷٪ روی داده های آزمایشی دیده نشده دست یافت. ارزیابی دقیقتر روی مجموعه ی تست نشان داد که مدل با حساسیت ۹۹.۲۶٪، ویژگی ۹۷.۵۳٪، دقت مثبت ۹۸.۶۴٪، امتیاز F1 برابر ۹۸.۹۵٪ و سطح زیر منحنی ROC برابر ۹۹.۸۷٪ عمل می کند و از میان ۹۴۹ مورد تومور واقعی موجود در داده ی تست، تنها ۷ مورد را از دست می دهد. علاوه بر طبقه بندی، مکان تقریبی ناحیه ی تومور نیز از طریق تحلیل روشنایی و کانتوریابی روی تصاویر پیش پردازش شده استخراج و به صورت کادر احاطه کننده نمایش داده می شود. نتایج به دست آمده نشان می دهد که ترکیب کانولوشن های اتساع یافته با اتصالات باقی مانده و ماژول توجه CBAM، رویکردی سبک، سریع و دقیق برای تشخیص تومور مغزی است که می تواند به عنوان ابزاری کمکی در سامانه های پشتیبان تصمیم گیری پزشکی مورد استفاده قرار گیرد.
معرفی سخنرانان: گردآورنده: محمدحسین کشتکار استاد راهنما: دکتر سارا مسار اساتید داور: دکتر علی صادقی-دکتر فرشته رضائی