هادی جهانی راد

رشد نامحدود و غیر قابل کنترل سلول ها در اطراف مغز باعث ایجاد انواع ضایعات مغزی و از جمله انواع تومور می شوند و اگر تحت درمان مناسب و به موقع قرار نگیرند سلامت بیماران را به خطر می اندازند و در اکثر موارد باعث مرگ بیمار می شوند. MRI یکی از بهترین روش های تصویربرداری است که تاکنون گزارشی در خصوص ایجاد عوارض در بیماران گزارش نشده است. در فناوری‌های یادگیری ماشین، شبکه‌های عصبی کانولوشن در زمینه تصاویر پزشکی، از محبوبیت بالایی برخوردار می باشد زیرا براساس یادگیری داده‌هاست، مهم‌ترین چالش در شناسایی تومورهای مغزی به ویژگی‌های استخراجی مرتبط می‌باشد. ویژگی‌های استخراجی تاثیر مستقیمی بروی کارایی سیستم‌های تشخیص می-گذارد. از همین رو در این پژوهش جهت استخراج ویژگی از تصاویر مغز از شبکه‌ی عصبی بهره گرفته شده است. جهت بهبود شبکه‌ی عصبی کانولوشن در این پژوهش از دو رویکرد استفاده گردیده است. در رویکرد نخست از موازی‌سازی شبکه های کانولوشن بهره گرفته شده است. در این پژوهش سه شبکه‌ی عصبی کانولوشن به صورت موازی با هم ترکیب گردیده‌اند. در رویکرد دوم از روش‌های تنظیم پارامتر با استفاده از یادگیری تقویتی استفاده گردیده است. پارامترهای تعداد تکرار آموزش، نرخ آموزش و تعداد بسته‌های آموزشی توسط یادگیری تقویتی تنظیم گردیده‌اند. مجموعه داده‌ی مورد استفاده در این پژوهش، مجموعه داده‌ی CE-MRI می‌باشد که شامل 235 بیمار و سه تومور Glioma(یکی ازتومورهای اولیه سیستم عصبی مرکزی است که درنخاع یا مغز بروز میکند و منشا تومور از سلولهاییاخته گولیال است. شایعترین محل تومور گلیوما مغز است)، Meningioma (یکی ازتومورهای اولیه سیستم عصبی مرکزی است که در نخاع یا مغز بروز می‌کند و منشأ تومور از سلولهای مننژ و عنکبوتیه است. این تومور معمولاً خوش‌خیم است)و )Pituitaryاین غده در بخش تحتانی مغز قرار دارد،هیپوفیز شامل سه بخش هیپوفیز پیشین ، هیپوفیز میانی و هیپوفیز پسین است) بوده است. در این پژوهش از معیارهای دقت، صحت، فراخوان و معیار F جهت ارزیابی روش پیشنهادی استفاده گردیده است،که این نتایج به‌ترتیب برابر 99، 98.6، 99 و 98.6 درصد گزارش شده است.