|
Title
|
شبكه عصبي كانولوشني عميق تفاضلي براي دسته بندي انواع تومور مغزي
|
|
Type
|
Thesis
|
|
Keywords
|
MRI images, classification, brain tumor, differential convolutional neural network,
accuracy
|
|
Abstract
|
پيشرفت هاي اخير در حوزه هوشمصنوعي، به ويژه در شاخه يادگيري عميق، انقلابي در تحليل خودكار و دقيق داده هاي تصويري
در حيطه پزشكي ايجاد كرده است. در اين ميان، تشخيصو طبقه بندي تومورهاي مغزي با استفاده از تصاوير تشديد مغناطيسي
به دليل حساسيت بالا و نقش حياتي آن در درمان به موقع، از جمله زمينه هاي پژوهشي بسيار مورد توجه است. اين پژوهش
به طراحي، پياده سازي و ارزيابي عميق يك مدل مبتني بر شبكه عصبي كانولوشني به يك معماري مي پردازد كه از يك لايه
تفاضلي به عنوان هسته مركزي خود استفاده مي كند. اين مدل براي انجام دو طبقه بندي مستقل و مهم به كار گرفته شده است،
طبقه بندي دودويي (تشخيص اوليه و سنجش وجود يا عدم وجود تومور) و طبقه بندي چندكلاسه (تمايز و تشخيص بين چهار
نوع مختلف تومور مغزي). هدف اصلي اين پژوهش، نه تنها ارائه يك مدل جديد، بلكه اعتبارسنجي ادعاي مقاله پايه [ 1]در
مورد تأثير مثبت فيلترهاي تفاضلي بر دقت طبقه بندي و همچنين بررسي ميزان كارايي اين رويكرد در سطوح مختلف پيچيدگي
مسئله است. لايه تفاضلي، به عنوان يك مرحله پيش پردازش داخلي و قابل آموزش در ابتداي معماري شبكه قرار گرفته تا
با استخراج موثر ويژگي هاي لبه و نواحي با كنتراست بالا، دركي بهتر و غني تر از داده هاي ورودي در اختيار لايه هاي بعدي
كه ، ⅯRI شبكه قرار دهد. مدل پيشنهادي بر روي يك مجموعه داده بزرگ و اختصاصي متشكل از بيش از 3000 تصوير
شامل مواردي با تومور و بدون تومور و نيز نمونه هايي از چهار زيرگروه تومور است، آموزش، اعتبارسنجي و آزمايش شده
و با استفاده از چارچوب هاي يادگيري عميق مانند Googⅼe Ⅽoⅼab است. كليه فرآيندهاي توسعه و ارزيابي مدل در بستر
انجام پذيرفته است.يافته هاي كليدي اين پژوهش به صورت كمي و آماري گزارش شده اند. نتايج به Keras و TensorFⅼow
وضوح نشان مي دهند كه ادغام لايه تفاضلي منجر به دستيابي به بالاترين دقت و صحت در سناريوي دوكلاسه مي شود.
|
|
Researchers
|
fatemeh cheraghi (Student) , Hossein Hosseinzadeh (First primary advisor) , Ahmad Shirzadi (First primary advisor) , zeinab Sedaghatjoo (Advisor)
|