کاربرد شبکه های عصبی عمیق در شناسایی بیماری های پزشکی از تصاویر MRI و CT

چکیده مقاله

تصویربرداری پزشکی با استفاده از MRI و CT به عنوان ابزارهای کلیدی در تشخیص و پایش بیماری ها، حجم وسیعی از داده های پیچیده و با وضوح بالا تولید می کند که تحلیل دقیق آن ها برای تصمیم گیری بالینی ضروری است پژوهش حاضر به بررسی کاربرد شبکه های عصبی عمیق در شناسایی بیماری ها از این تصاویر پرداخته است مجموعه داده شامل بیش از ۵۰۰۰ تصویر برچسب گذاری شده MRI و CT است که پس از پیش پردازش و افزایش داده ها، برای آموزش و ارزیابی مدل های شبکه عصبی شامل CNN پایه، ResNet۵۰، DenseNet۱۲۱ و U Net مورد استفاده قرار گرفتند عملکرد مدل ها بر اساس معیارهای دقت Accuracy ، حساسیت Sensitivity ، ویژگی تمایز Specificity و ضریب F۱ سنجیده شد نتایج نشان داد که DenseNet۱۲۱ بالاترین دقت را با ۹۳ ۱٪، حساسیت ۹۱ ۷٪، ویژگی تمایز ۹۴ ۵٪ و ضریب F۱ ۹۲ ۴٪ ارائه داد مدل ResNet۵۰ دقت ۹۲ ۳٪ و ضریب F۱ ۹۱ ۲٪ داشت و مدل U Net برای بخش بندی ضایعات دقت متوسط ۹۱ ۸٪ و ضریب Dice ۹۰ ۴٪ را نشان داد شبکه های عصبی نسبت به روش های سنتی مانند طبقه بندی دستی دقت ۷۸ ۴٪ و SVM دقت ۸۵ ۶٪ عملکرد بهتری داشتند تحلیل زمان پردازش نیز نشان داد که CNN پایه با ۰ ۴۵ ثانیه برای هر تصویر سریع ترین مدل بود، در حالی که DenseNet۱۲۱ با ۰ ۶۸ ثانیه و U Net با ۱ ۲۵ ثانیه زمان بیشتری نیاز داشتند، اما دقت بالاتری ارائه کردند این نتایج تاکید می کند که شبکه های عصبی عمیق، به ویژه معماری های پیشرفته و ترکیبی، ابزارهای موثری برای تشخیص خودکار و دقیق بیماری ها هستند و قابلیت ارتقای سامانه های هوشمند بالینی را فراهم می کنند

کلیدواژه‌ها

نویسندگان

عرفان شکوری

دانشجوی دکتری تخصصی دانشگاه شاهد رشته ی مهندسی برق؛ گرایش الکترونیک

�کوری، عرفان،1403،کاربرد شبکه های عصبی عمیق در شناسایی بیماری های پزشکی از تصاویر MRI و CT،بیست و پنجمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات بیست و پنجمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک21 اسفند 1403 · شیروان