فهرست نشریات علمی دسترسی آزاد ایران

چکیدهمقدمه: تشخیص زودهنگام تومورهای مغزی، می‌تواند نقش مهمی در برنامه‌ریزی‌های درمان داشته باشد. در تصاویر تشدید مغناطیسی مغز، شباهت‌های زیادی بین بافت سالم و سرطانی وجود دارد، لذا تشخیص دقیق تومورها به یک چالش مهم تبدیل شده است. همچنین طبقه‌بندی دستی این تصاویر، زمان‌بر و مستعد خطای انسانی است؛ لذا توسعه روش‌های طبقه‌بندی خودکار می‌تواند کمک مؤثری به پزشکان ارائه دهد.روش‌ بررسی: در این پژوهش، معماری جدیدی از شبکه عصبی عمیق برای طبقه‌بندی خودکار تومور مغزی در تصاویر تشدید مغناطیسی پیشنهاد شده است. در روش پیشنهادی، معماری شبکه عصبی عمیق VGG-16 بازطراحی شده است. به‌منظور حفظ رزولوشن مکانی ویژگی‌ها در عمق شبکه و تشخیص نواحی کوچک تومورها و شناسایی مرزهای مبهم، لایة max‑pooling در معماری VGG‑16 حذف گردید. یافته ها: روش پیشنهادی با استفاده از مجموعة داده BraTS2020 با روش 10-fold cross validation ارزیابی شد. نتایج ارزیابی بر اساس معیارهای Accuracy، Precision، Recall، Specificity، F1 Score و AUC نشان داد که معماری پیشنهادی نسبت به نسخه اصلی شبکه عصبی VGG-16، عملکرد بهتری دارد و توانسته در معیارهای ذکر شده به ترتیب به مقادیر 0035/0 9512±/0، 0026/0 9739±/0، 0044/0 ±9524/0، 0051/0 ±9490/0، 0027/0 ±9630/0، 0044/0 ±9514 /0 دست یابد.نتیجه‌گیری: نتایج حاصل از روش پیشنهادی در این پژوهش، تأیید می‌کند که حفظ اطلاعات مکانی و شناسایی مرزهای مبهم می‌تواند نقش مهمی در افزایش دقت طبقه‌بندی داشته باشد. به‌علاوه تغییرات اعمال شده منجر به همگرایی سریع‌تر و کاهش نمونه‌برداری بیش از حد (Over-Downsampling) شده است.