حسن ختن لو

چکیده: با پیشرفت روزانه علم هوش مصنوعی در زمینه های مختلف به خصوص زمینه های پردازش تصاویر پزشکی، مسئله آنالیز تصاویر تومور مغزی برخلاف اهمیت ویژه ای که در سلامتی و حیات انسان ها دارد، کماکان به صورت یک مسئله دردست بررسی در مجامع علمی است. تشخیص و بررسی زودهنگام تومور مغزی در صدر مسائل بررسی تومور قرار داشته و امروزه مدل هایی مبنی بر الگوریتم های پیشرفته کامپیوتری جهت حل این مسئله حیاتی ارائه شده اند. از مدل سازی های اخیر در حوزه هوش مصنوعی در پردازش تصاویر پزشکی، می توان به مدل های مبنی بر شبکه های عمیق عصبی و شبکه های عصبی کانولوشنی اشاره کرد. دراین پژوهش روشی بر مبنای شبکه عصبی کانولوشنی عمیق برای مسئله تشخیص، دسته بندی و درجه بندی تومور مغزی در تصاویر مغزی ام آرآی ارائه شده است، که به طورکلی از دو قسمت پیش پردازش و دسته بند تشکیل شده است. قسمت دسته بندی شامل دو دسته بند برمبنای شبکه های عصبی کانولوشنی عمیق است که هرکدام از دسته بندها عملکرد مطلوبی داشته و دسته بندی تصاویر را با دقت بالایی انجام می دهند. این دو دسته بند از نظر ساختار لایه ای و معماری شبکه شبیه به هم بوده اما از نظر نحوه آموزش قسمت های شبکه بایکدیگر متفاوتند که این امر باعث تفاوت در استخراج و یادگیری ویژگی می شود. هر دسته بند از دو زیرشبکه تشکیل شده که زیرشبکه های دسته بند اول، زیرشبکه اتوانکدر و زیرشبکه عصبی کانولوشنی هستند و زیرشبکه های دسته بند دوم، شامل زیرشبکه دکانولوشنی و زیرشبکه عصبی کانولوشنی هستند که تفاوت در نحوه آموزش این زیرشبکه هاست که، تفاوت در عملکرد کلی دسته بند را شامل می شود. دسته بندی تصاویر مغزی در این پژوهش، با توجه به کلاس های تصاویر مورد دسته بندی به چند شکل صورت پذیرفته است. امام مهم ترین و کلی ترین شکل دسته بندی در این پژوهش، تشخیص، دسته بندی و درجه بندی تصاویر تومور با استفاده از یک دسته بند یکپارچه است که تصاویر مغزی ام آرآی را به کلاس های "مغز نرمال و بدون تومور، مغز دارای تومور منینژیوما، مغز دارای تومور پیتوتاری، مغز دارای تومور آستروسیتوما، مغز دارای تومور گلیوما پیشرفته و مغز دارای تومور گلیوما ساده" تقسیم بندی کند. درنهایت روش پیشنهادی برروی مجموعه داده های cheng، Brats 2017، IXI، و Hazrat-Rasool Hospital، اعمال و آزموده شد. نتیجه یادگیری و آزمایش روش پیشنهادی بر ای