تشخیص و دسته بندی تومور مغزی از طریق شبکه های عصبی کانولوشنال از پیش آموزش دیده

چکیده مقاله

تومور مغزی تهاجمی ترین نوع تومور است و اگر در مراحل ابتدایی تشخیص داده نشود، می تواند باعث کم شدن امید به زندگی شود شناسایی دستی تومورهای مغزی خسته کننده و مستعد خطا است تشخیص اشتباه می تواند منجر به تجویز درمان نادرست شود و درنتیجه شانس زنده ماندن بیمار را کاهش دهد تصویرنگاری با تشدید مغناطیسی روش مرسومی است که برای تشخیص تومورهای مغزی و انواع آن استفاده می شود این مقاله تلاش می کند تا فرآیند دستی تشخیص را حذف کند و به جای آن از یادگیری ماشینی استفاده کند استفاده از شبکه های عصبی کانولوشنال برای تشخیص و طبقه بندی تومورهای مغزی پیشنهاد شده است در این پژوهش سه نوع تومور و یک کلاس غیر توموری با استفاده از تصاویر تصویرنگاری با تشدید مغناطیسی طبقه بندی شده اند شبکه های مورداستفاده ResNet۵۰، EfficientNetB۱، EfficientNetB۷، EfficientNetV۲B۱ هستند EfficientNet به دلیل ماهیت مقیاس پذیر خود نتایج مطلوبی را نشان داده است EfficientNetB۱ بهترین نتایج را با دقت آموزش و اعتبار سنجی ۸۷ ۶۷% و ۸۹ ۵۵% در میان دیگر شبکه ها نشان داده است

کلیدواژه‌ها

نویسندگان

هادی نیکنام شیروان

۱ کارشناسی ارشد مهندسی مکاترونیک دانشگاه تهران

محمدرضا اکرمی

۲ کارشناسی ارشد مهندسی مکاترونیک دانشگاه تهران

نیکنام شیروان، هادی و اکرمی، محمدرضا،1401،تشخیص و دسته بندی تومور مغزی از طریق شبکه های عصبی کانولوشنال از پیش آموزش دیده،پانزدهمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات شانزدهمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک29 آذر 1401 · شیروان