۲ نتیجه برای تشخیص تومور مغزی
دکتر سمیرا مودّتی،
دوره ۱۹، شماره ۲ - ( ۱-۱۴۰۱ )
چکیده
تشخیص انواع تومور مغزی به کمک تصاویر امآرآی در کنار دانش پزشکی می‌تواند به تصمیم‌گیری درستی در مورد وضعیت بیمار منتهی گردد. همچنین تشخیص خوش‌خیم یا بدخیم بودن تومور به دلیل لزوم بررسی جزئیات بافت و امکان خطا یکی از مسائل چالش برانگیز است. بنابراین پرداختن به این حوزه به کمک تکنیک‌های پردازش تصویر می‌تواند بسیار حائز اهمیت باشد. در این مقاله، به منظور تشخیص مناسب نوع تومور مغزی، انواع ویژگی‌های مختلف مبتنی‌بر بافت و مبتنی‌بر آمار مورد بررسی قرار گرفته و دسته‌ای از ویژگی‌های منتخب در این حوزه طبقه‌بندی مورد استفاده قرار می‌گیرد. سپس از تکنیک کدگذاری تنک و یادگیری واژه‌نامه به منظور آموزش مدل‌های فراکامل بازنمایی‌کننده مشخصات هر دسته داده استفاده می‌شود و دسته‌بندی داده‌ها براساس نرخ انرژی محاسبه شده ضرایب تنک صورت می‌گیرد. همچنین نتایج این دسته‌بندی با نتایج حاصل از دسته‌بندهای مبتنی‌بر شبکه عصبی و ماشین بردار پشتیبان مقایسه می‌گردد. نتایج شبیه‌سازی‌ها نشان می‌دهد که روش پیشنهادی مبتنی‌بر ویژگی‌های ترکیبی و آموزش مدل‌های فراکامل قادر به طبقه‌بندی مطلوب انواع تومور مغزی با دقت بالا خواهد بود.
دکتر سمیرا مودّتی، خانم هانیه سادات اظهری لمراسکی،
دوره ۲۲، شماره ۲ - ( ۳-۱۴۰۴ )
چکیده
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، VGG۱۶،InceptionV۳ و رزنت۱۰۱ 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 ۱۰۱ 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 رزنت۱۰۱ توانسته است دقت ۳۷/%۹۸ 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.
