حسین حسین زاده

پیشرفت های اخیر در حوزه هوشمصنوعی، به ویژه در شاخه یادگیری عمیق، انقلابی در تحلیل خودکار و دقیق داده های تصویری در حیطه پزشکی ایجاد کرده است. در این میان، تشخیصو طبقه بندی تومورهای مغزی با استفاده از تصاویر تشدید مغناطیسی به دلیل حساسیت بالا و نقش حیاتی آن در درمان به موقع، از جمله زمینه های پژوهشی بسیار مورد توجه است. این پژوهش به طراحی، پیاده سازی و ارزیابی عمیق یک مدل مبتنی بر شبکه عصبی کانولوشنی به یک معماری می پردازد که از یک لایه تفاضلی به عنوان هسته مرکزی خود استفاده می کند. این مدل برای انجام دو طبقه بندی مستقل و مهم به کار گرفته شده است، طبقه بندی دودویی (تشخیص اولیه و سنجش وجود یا عدم وجود تومور) و طبقه بندی چندکلاسه (تمایز و تشخیص بین چهار نوع مختلف تومور مغزی). هدف اصلی این پژوهش، نه تنها ارائه یک مدل جدید، بلکه اعتبارسنجی ادعای مقاله پایه [ 1]در مورد تأثیر مثبت فیلترهای تفاضلی بر دقت طبقه بندی و همچنین بررسی میزان کارایی این رویکرد در سطوح مختلف پیچیدگی مسئله است. لایه تفاضلی، به عنوان یک مرحله پیش پردازش داخلی و قابل آموزش در ابتدای معماری شبکه قرار گرفته تا با استخراج موثر ویژگی های لبه و نواحی با کنتراست بالا، درکی بهتر و غنی تر از داده های ورودی در اختیار لایه های بعدی که ، ⅯRI شبکه قرار دهد. مدل پیشنهادی بر روی یک مجموعه داده بزرگ و اختصاصی متشکل از بیش از 3000 تصویر شامل مواردی با تومور و بدون تومور و نیز نمونه هایی از چهار زیرگروه تومور است، آموزش، اعتبارسنجی و آزمایش شده و با استفاده از چارچوب های یادگیری عمیق مانند Googⅼe Ⅽoⅼab است. کلیه فرآیندهای توسعه و ارزیابی مدل در بستر انجام پذیرفته است.یافته های کلیدی این پژوهش به صورت کمی و آماری گزارش شده اند. نتایج به Keras و TensorFⅼow وضوح نشان می دهند که ادغام لایه تفاضلی منجر به دستیابی به بالاترین دقت و صحت در سناریوی دوکلاسه می شود.