30875

تشخيص خودكار محل ضايعه مغزي در تصاوير MRI به كمك شبكه عصبي Yolo

كارشناسي ارشد

رياضي- رياضي كاربردي - بهينه‌سازي

1400

1402/11/29

رحمان فرنوش

ندارم

رياضي

تومور مغزي يك بيماري خطرناك و جدي است كه نيازمند تشخيص و درمان سريع است. در تشخيص تومورهاي مغزي، تصاوير MRI ابزاري قدرتمند است كه اطلاعات دقيقي از ساختار و موقعيت توموردر اختيار ما قرار مي‌دهد. در اين پايان‌نامه، ما ازشبكه عصبي كانولوشني عميق (YOLOv5)براي تشخيص و محلي سازي توموراستفاده كرده ايم.همچنين در مرحله پيش پردازش براي حذف موثر نويز و افزايش كيفيت تصاوير MRI از فيلتر تبديل موجك گسسته(DWT) واز شبكه Inception V3 براي استخراج ويژگي هاي متمايز از تصاوير پيش پردازش شده استفاده مي شود. با استفاده از اين شبكه، ويژگي‌هاي مرتبط و آموزنده استخراج مي‌شوند و امكان تشخيص دقيق تومور را فراهم مي‌كنند. پس از استخراج ويژگي، الگوريتم softmax براي طبقه ‌بندي تصاوير MRI به كلاس‌هاي مختلف، يعني توموردار يا بدون تومور، استفاده مي‌شود. اين الگوريتم يك امتياز احتمال را به هر كلاس اختصاص مي دهد، كه امكان طبقه بندي دقيق و كمك به شناسايي مناطق تومور را فراهم مي كند. در نهايت، روش بازي پوسته براي تقسيم بندي تومور استفاده مي شود.اين روش با يافتن يك آستانه بهينه به كمك بهينه سازي بازي پوسته (SGO) تصوير را به دو قسمت پس زمينه و پيش زمينه تقسيم مي كند.در اين پژوهش ما به دقت 5/93% براي مدل خود دست يافتيم و اين پروژه توانسته روشي سريع و با دقت بالا براي شناسايي تومور ارائه دهد.

1403/02/24

Automatic detection of brain lesion location in MRI images using Yolo neural network

1/1/1900 12:00:00 AM

Brain tumor is a dangerous and serious disease that requires rapid diagnosis and treatment. In the diagnosis of brain tumors, MRI images are a powerful tool that provides us with detailed information about the structure and location of the tumor. In this thesis, we have used the deep convolutional neural network (YOLOv5) for tumor detection and localization. Also, in the pre-processing stage to effectively remove noise and increase the quality of MRI images from the discrete wavelet transform (DWT) filter and the Inception V3 network for feature extraction. Differentiators are used from pre-processed images. By using this network, relevant and informative features are extracted and enable accurate tumor diagnosis. After feature extraction, the softmax algorithm is used to classify the MRI images into different classes, i.e. with tumor or without tumor. This algorithm assigns a probability score to each class, which allows accurate classification and helps identify tumor regions. Finally, the shell game method is used for tumor segmentation. This method divides the image into two parts, background and foreground, by finding an optimal threshold with the help of shell game optimization (SGO). In this research, we carefully We achieved 93.5% for our model and this project has been able to provide a fast and highly accurate method for tumor identification.

تومور مغزي , شبكه عصبي كانولوشن , يولو , تشخيص شي

Brain Tumor , convolutional neural network , yolo , object detection

Zahra Jamshidvand

Dr. Rahman Farnoosh