30121

تشخيص تومورهاي مغزي در تصاوير تشديد مغناطيسي با استفاده از شبكه ي پيچشي ResNet.Vak و ترانسفورمر توجه

كارشناسي ارشد

مهندسي پزشكي(بيو الكتريك)

1399

1402/04/26

دكتر احمد آيت اللهي

دكتر محمدرضا دليري

مهندسي برق

تشخيص و طبقه بندي دقيق تومورهاي مغزي، در زير كلاس هاي گليوما با درجه پايين (LGG) و گليوبلاستوما مولتي فرم (GBM)، براي برنامه ريزي دقيق درمان و مراقبت از بيمار ضروري است. در اين مطالعه، ما يك رويكرد جديد براي افزايش دقت تشخيصي با تركيب قدرت دو معماري پيشرفته يادگيري عميق ارائه مي‌كنيم: شبكه باقي‌مانده (ResNet.Vak) و ترانسفورماتور توجه. هدف مدل پيشنهادي ما دستيابي به سطح بالايي از دقت در تمايز بين تومورهاي LGG و GBM، با نرخ دقت چشمگير 99.62٪ است. معماري ResNet.Vak به عنوان ستون فقرات مدل ما عمل مي كند و امكان استخراج ويژگي هاي پيچيده از داده¬هاي تصويربرداري پزشكي را فراهم مي كند. توانايي ذاتي ResNet.Vak براي كاهش مشكل گراديان ناپديد شدن، به شبكه‌هاي عميق‌تر اجازه مي‌دهد تا الگوهاي ظريف‌تري را در تصاوير ورودي بهتر ثبت كنند. براي افزايش بيشتر ظرفيت مدل براي استخراج ويژگي هاي متمايز، ما مكانيزم ترانسفورماتور توجه را ادغام مي كنيم. اين مكانيسم ياد مي گيرد كه بر روي مناطق مربوطه در داخل تصاوير تمركز كند و به طور موثر سطوح مختلف اهميت را به مناطق مختلف فضايي در طول فرآيند طبقه بندي اختصاص دهد. ما قبل از شبكه ي پيشنهادي خود كه در مقايسه با شبكه هاي ديگري(ResNet50 پيش آموزش،VGG16،InceptionV3) با ميانگين صحت90% تست كرده¬ايم. مشكلات موردنظر داده هاي استخراج شده در رابطه با داده هاي آموزشي،معماري شبكه ،روش‌هاي اعتبارسنجي، و معيارهاي عملكرد كمي گزارش‌شده است. مدل پيشنهادي با دقت بر روي يك مجموعه داده جامع TCGA شامل تصاوير تشديد مغناطيسي تومور مغزي LGG و GBM آموزش داده شده است. استفاده از مجموعه داده متنوع و معرف توانايي تعميم مدل به سناريوهاي دنياي واقعي را تضمين مي كند. فرآيند آموزش شامل بهينه‌سازي پارامترهاي مدل براي به حداقل رساندن خطا طبقه‌بندي مي‌شود و به آن اجازه مي‌دهد تا به طور موثر، روابط پيچيده بين تصاوير ورودي و كلاس‌هاي تومور مربوطه را ياد بگيرد. در نتيجه، اين تحقيق بر پتانسيل تكنيك‌هاي يادگيري عميق در حوزه تشخيص تومور مغزي تأكيد مي‌كند. مدل پيشنهادي نه تنها قدرت فناوري‌هاي پيشرفته را به نمايش مي‌گذارد، بلكه نويد انقلابي در زمينه تجزيه و تحليل تصويربرداري پزشكي براي بهبود مراقبت از بيمار و مديريت بيماري را دارد.

1402/08/29

Diagnosis of brain tumors in magnetic resonance images using ResNet.Vak convolutional network and attention transformer

7/16/2024 12:00:00 AM

Accurate diagnosis and classification of brain tumors, especially in the subclasses of low-grade glioma (LGG) and glioblastoma multiforme (GBM), is essential for accurate treatment planning and patient care. In this study, we present a novel approach to increase diagnostic accuracy by combining the power of two advanced deep learning architectures: the residual network (ResNet50) and the attention transformer. Our proposed model aims to achieve a high level of accuracy in distinguishing between LGG and GBM tumors, with an impressive accuracy rate of 99.62%. ResNet50 architecture acts as the backbone of our model and provides the possibility of extracting complex features from medical imaging data. ResNet50's inherent ability to mitigate the vanishing gradient problem allows deeper networks to better capture finer patterns in input images. To further increase the capacity of the model to extract distinctive features, we integrate the attention transformer mechanism. This mechanism learns to focus on relevant regions within images and effectively assign different levels of importance to different spatial regions during the classification process. We have tested our proposed network compared to other networks (ResNet50 pre-training, VGG16, InceptionV3) with an average accuracy of 90%. The problems of the extracted data in relation to training data, network architecture, validation methods, and quantitative performance measures are reported. The proposed model is carefully trained on a comprehensive TCGA dataset including magnetic resonance images of LGG and GBM brain tumors. The use of a diverse and representative dataset ensures the ability to generalize the model to real-world scenarios. The training process involves optimizing model parameters to minimize classification loss, allowing it to effectively learn complex relationships between input images and corresponding tumor classes. Consequently, this research focuses on the potential of deep learning techniques in the field of diagnosis. Brain tumor emphasizes. The proposed model not only demonstrates the power of advanced technologies, but also promises to revolutionize the field of medical imaging analysis to improve patient care and disease management.

شبكه ResNet.Vak , ترانسفورماتور توجه , طبقه بندي تومور مغزي , تصويربرداري پزشكي , تشخيص تومور , مجموعه داده جامع TCGA

ResNet.Vak network , attention transformer , Brain Tumor Classification , Medical Imaging , Tumor detection , comprehensive TCGA dataset

kosar mosayebzadeh roshan

dr.ahmad ayatollahi