طبقه بندی چندکلاسه بر ای تشخیص درجه انواع تومور مغزی گلیوما در تصاویر MRI با استفاده از شبکه های عصبی کانولوشن

تومورهای مغزی طیف متنوعی از انواع سرطان را نشان می دهند که می توانند عوارض جدی ایجاد کرده و منجر بهامید به زندگی ضعیف شوند. در میان انواع مختلف تومور مغزی، گلیوم ها تومورهای اولیه مغزی هستند که حدود ۲۰الی ۳۰ درصد از تومورهای مغزی بزرگسالان را تشکیل می دهند. تشخیص زودهنگام و طبقه بندی درجه تومورمغزی بسیار مهم است زیرا می تواند روند درمان را بهبود بخشد و (به طور بالقوه) عمر بیمار را طولانی کند. امروزهپزشکان از ابزارهای تشخیصی مانند نمونه برداری برخوردارند که، این ابزارها معمولا تهاجمی یا پرهزینه هستند. یکنمونه پرکاربرد از یک تکنیک غیرتهاجمی, تصویربرداری تشدید مغناطیسی (MRI) می باشد که توانایی بالایی درتولید تصاویر با کنتراست بافت نرم متفاوت و وضوح فضایی بالا به لطف توالی های تصویربرداری متعدد دارا میباشد. با این حال، بررسی چنین تصاویری برای رادیولوژیست ها سخت و طاقت فرسا می باشد. زیرا به طور کلی حجمزیادی از داده ها در آن وجود دارد. امروزه رویکردهای یادگیری عمیق, پتانسیل زبادی در تشخیص تومور مغزینشان داده اند و می توانند به رادیولوژیست ها در فرآیند تصمیم گیری کمک کنند. در این پژوهش به منظور طبقه بندیدرجه تومور مغزی (گلیوما) در تصاویر MRI گرفته شده از بیماران مبتلا به تومور مغزی، یک سیستم اتوماتیک برمبنای دو مدل شبکه عصبی کانولوشن (VGG-۱۹ و ResNet۵۰) ارائه خواهد شد. به دلیل اینکه در روشپیشنهادی، ویژگی های سطح بالا توسط بلدگیری عمیق استخراج می شود، دقت طبقه بندی و تشخیص بسیار بالابوده و همچنین اندازه بردار ویژگی نیز با کاهش همراه می باشد.

کلیدواژه ها:

تومور مغزی گلیوما ، تصویربرداری تشدید مغناطیسی (MRI) ، تکنیک غیرتهاجمی ، شبکه عصبی کانولوشن