، جلد ۲۶، شماره ۴، صفحات ۳۹۸-۴۱۳
عنوان فارسی تشخیص تومورهای مغزی از روی تصاویر MRI با استفاده از شبکه کانولوشنی دوبعدی
چکیده فارسی مقاله اهداف: تومورهای سرطانی مغز انسان در دسته بیماری های خطرناک هستند که کیفیت زندگی انسان ها را تا سالیان دراز تحت تأثیر قرار می دهند و تشخیص آنها در مراحل اولیه، راه را برای درمان بسیار هموار می کند. هدف از این مقاله تشخیص هوشمند تومورهای مغزی از سه کلاس تومور مننژیوما، گلیوما و هیپوفیز با استفاده از یادگیری عمیق است. مواد و روش ها: سیستم پیشنهادی شامل دو مرحله، استخراج ویژگی و طبق هبندی است. جهت استخراج ویژگی تصاویر، از یک شبکه کانولوشنی 12 لایه استفاده شده است. درنهایت، جهت طبق هبندی ویژگی ها از تابع فعال ساز Softmax استفاده شده است. سیستم پیشنهادی بر روی پایگاه داده استاندارد و شامل سه کلاس گلیوما، مننژیوما و هیپوفیز اعمال شده است. یافته ها پیاده سازی سیستم تشخیص پیشنهادی روی پایگاه داده پیشنهادی، نشان دهنده برتری آن در مقایسه با روش های قبلی است که از این دیتاست استفاده کرده اند. برای روش کانولوشنال دو بعدی، دقت روش 98.68 درصد به دست آمده است. نتیجه گیری: تومورهای مننژیوما، گلیوما و هیپوفیز در دسته شایع ترین بیماری های مغزی قرار دارند. تشخیص سریع و زودهنگام این ضایعات تا حد زیادی فرد بیمار را از خطر مرگ نجات می دهد. استفاده شبکه کانولوشنال عمیق با توجه به ساختار تمام متصل می تواند کمک شایانی به پزشکان در تشخیص صحیح انجام دهند.
کلیدواژه‌های فارسی مقاله تومور مغزی، تصاویر MRI، یادگیری عمیق، شبکه کانولوشنی دو بعدی
عنوان انگلیسی A Two-Dimensional Convolutional Neural Network for Brain Tumor Detection From MRI
چکیده انگلیسی مقاله Aims: Cancerous brain tumors are among the most dangerous diseases that lower the quality of life of people for many years. Their detection in the early stages paves the way for the proper treatment. The present study aimed to present a two-dimensional Convolutional Neural Network (CNN) for detecting brain tumors under Magnetic Resonance Imaging (MRI) using the deep learning method. Methods & Materials: The proposed method has two stages of feature extraction and classification. A 12-layer CNN was used to extract the features of the MRI images and then the softmax activation function was used to classify these features. The proposed method was applied to a standard database consisting of three brain tumor types of meningioma, glioma, and pituitary. Findings: The proposed method had better performance compared to previously presented methods. Its accuracy was reported as 98.68%. Conclusion: Meningioma, glioma, and pituitary tumors are the most common types of brain tumors. Early detection of these tumors can decrease the risk of death. Because of its fully connected structure, the use of proposed deep CNN can help physicians to correctly detect brain tumors with MRI images.
کلیدواژه‌های انگلیسی مقاله Brain tumor, MIR images, Deep learning, Two dimensional convolutional network
نویسندگان مقاله ایوب نجف زاده | Ayoub Najaf-Zadeh
Department of Engineering Intelligence, Faculty of Engineering, Azad University, Ferdows Branch, Ferdows, Iran.
گروه مهندسی هوش مصنوعی، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد فردوس، فردوس، ایران.

حمیدرضا غفاری | Hamid Reza Ghaffari
Department of Engineering Intelligence, Faculty of Engineering, Azad University, Ferdows Branch, Ferdows, Iran.
گروه مهندسی هوش مصنوعی، دانشکده مهندسی، دانشگاه آزاد اسلامی، واحد فردوس، فردوس، ایران.

نشانی اینترنتی http://imtj.gmu.ac.ir/browse.php?a_code=A-10-3303-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مطالعه بیماری‌ها
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات