EUVIMEDEUVIMED entdecken
Crossref

یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز

آسیه خسروانیان

مدیریت اطلاعات سلامت · 2025-12 · 22 (4) · 199-214

DOI: 10.48305/him.2026.45796.1348 ↗

Kurz gefasst

Fachartikel in der Zeitschrift مدیریت اطلاعات سلامت, 2025-12. Verfasst von آسیه خسروانیان.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Schlagwörter

پردازش تصاویر تشدید مغناطیسیتومورشبکه عصبی عمیق vggطبقه‌بندیمجموعه‌داده brats2020یادگیری عمیق

Zitieren

APA

خسروانیان, آ. (2025). یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز. مدیریت اطلاعات سلامت, 22(4), 199-214. https://doi.org/10.48305/him.2026.45796.1348

Vancouver

خسروانیان آ. یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز. مدیریت اطلاعات سلامت. 2025;22(4):199-214. doi:10.48305/him.2026.45796.1348

BibTeX
@article{2025,
  author = {خسروانیان, آسیه},
  title = {یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز},
  journal = {مدیریت اطلاعات سلامت},
  year = {2025},
  volume = {22},
  number = {4},
  pages = {199--214},
  doi = {10.48305/him.2026.45796.1348}
}
Kostenlos starten →