Journal of Iranian Association of Electrical and Electronics Engineers

fa تشخیص و طبقه‌بندی تومورهای مغزی با استفاده از مدل‌های یادگیری عمیق و یادگیری انتقالی بر پایه تصاویر MRI Brain Tumor Detection and Classification Based on MRI Images Using Deep Learning and Transfer Learning Models الکترونیک Electronic پژوهشي Research 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. Brain tumors are among the most common and fatal types of cancer. Accurate and timely diagnosis of these tumors is essential for disease management and successful patient prognosis. Additionally, the precise identification of the tumor type is crucial in determining the treatment path. By recognizing the type of tumor, doctors can select the most appropriate treatment method, which may include surgery, radiation therapy, chemotherapy, or a combination of these methods. Furthermore, the tumor type helps predict disease progression and the quality of life post-treatment. In recent years, deep learning has been a powerful tool for various image-processing tasks, including brain tumor detection. In this paper, various deep learning models such as CNN, RNN, VGG16, InceptionV3, and ResNet101 are evaluated for classifying brain tumor types from the Figshare dataset based on MRI images of glioma, meningioma, pituitary tumors, and no tumor. Finally, a suitable deep model based on ResNet101 combined with transfer learning is proposed. Based on various metrics and statistical tests, the findings indicate that deep learning models can be effectively used for brain tumor detection. Among these, the ResNet101 model achieved an accuracy of 98.37% in classifying the four tumor classes. This study demonstrates that deep learning holds significant potential for improving brain tumor detection accuracy.   تشخیص تومور مغزی, یادگیری عمیق, یادگیری انتقالی, مجموعه داده Figshare, رزنت 101, پردازش تصویر, شبکه‌های عصبی عمیق. Brain tumor detection, Deep learning, Transfer learning, Figshare dataset, Image processing, ResNet101, Deep neural network. 129 141 http://jiaeee.com/browse.php?a_code=A-10-626-7&slc_lang=fa&sid=1 Samira Mavaddati سمیرا مودّتی s.mavaddati@umz.ac.ir 100319475328460012650 100319475328460012650 Yes Department of Electrical Engineering, Faculty of Engineering and Technology, University of Mazandaran گروه مهندسی برق- دانشکده مهندسی و فناوری- دانشگاه مازندران Hanieh Sadat Azhari Lamraski هانیه سادات اظهری لمراسکی hahaazlem@gmail.com 100319475328460012651 100319475328460012651 No Department of Electrical Engineering, Faculty of Engineering and Technology, University of Mazandaran گروه مهندسی برق- دانشکده مهندسی و فناوری- دانشگاه مازندران