مجله مهندسی برق و الکترونیک ایران - جلد 22 شماره 2
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
دانشگاه مازندران
چکیده: (177 مشاهده)
چکیده: تومورهای مغزی یکی از شایع‌ترین و کشنده‌ترین نوع سرطان هستند. تشخیص دقیق و به موقع این دسته از تومور‌ها برای مدیریت بیماری و پیش آگهی موفق بیمار، ضروری است. همچنین تشخیص دقیق نوع تومور مغزی نقشی حیاتی در تعیین مسیر درمان ایفا می‌نماید. با شناخت نوع تومور، پزشک می‌تواند مناسب‌ترین روش درمانی را انتخاب کند که می‌تواند شامل جراحی، پرتودرمانی، شیمی درمانی یا ترکیبی از این روش‌ها باشد. همچنین نوع تومور به پیش‌بینی پیشرفت بیماری و کیفیت زندگی پس از درمان بیمار کمک می‌نماید. در سال‌های اخیر، یادگیری عمیق به عنوان ابزاری قدرتمند برای وظایف مختلف پردازش تصویر، از جمله تشخیص تومور مغزی، بکار گرفته شده است. در این مقاله، مدل‌های مختلف یادگیری عمیق مانند CNN، RNN، VGG16،InceptionV3 و رزنت101 به منظور تشخیص نوع تومور مغزی از مجموعه داده Figshare مبتنی‌بر تصاویر ام‌آر‌آی تومورهای مغزی گلیوم، مننژیوم، هیپوفیز، و بدون تومور بررسی و در نهایت یک مدل عمیق مناسب مبتنی‌بر رزنت 101 در ترکیب با یادگیری انتقالی پیشنهاد می‌شود. یافته‌های مقاله براساس معیارهای مختلف و نیز تست آماری نشان می‌دهد که مدل‌های عمیق می‌توانند به طور موثر برای تشخیص تومور مغزی مورد استفاده قرار گیرند. در این میان مدل عمیق رزنت101 توانسته است دقت 37/%98 در تشخیص چهار کلاس معرفی شده را بدست آورد. این مطالعه نشان می‌دهد که یادگیری عمیق پتانسیل قابل توجهی برای بهبود دقت تشخیص تومور مغزی را دارد.
واژه‌های کلیدی: تشخیص تومور مغزی، یادگیری عمیق، یادگیری انتقالی، مجموعه داده Figshare، رزنت 101، پردازش تصویر، شبکه‌های عصبی عمیق.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License (CC BY NC 4.0) قابل بازنشر است. |
