منصة الرسائل والاطاريح: كشف وتصنيف ورم الدماغ باستخدام التعلم الآلي

الخلاصة

يجب تحديد وتصنيف الأورام الدماغية بدقة للكشف المبكر والعلاج الفعّال. تفسير صور التصوير بالرنين المغناطيسي (MRI) يدويًا معقد ومعرض للأخطاء. تجمع طريقة استخراج السمات الجديدة بين الشبكات العصبية التصاعدية والشبكات القصيرة الأجل (LSTM) لمعالجة هذه المشكلات. تستخدم هذه الرسالة أساليب تعلم الآلة لتصنيف الأورام الدماغية في صور MRI. يتم استخدام Tomura، الذي يصف النسيج والهيكل استنادًا إلى الخشونة والتباين والاتجاه والخشونة، لاستخراج السمات ذات الصلة من صور MRI. تمتزج هذه السمات مع تحويل فورييه سريع وتجميع K-means لإنشاء مجموعة سمات ذات 54 بعدًا. تلتقط هذه الميزات أنماط الأورام الدماغية المميزة للتحليل والتصنيف. أولاً، تم تصميم نماذج تعلم الآلة مثل Random Forest (RF) وK-Nearest Neighbors (KNN) للتصنيف الثنائي (طبيعي مقابل غير طبيعي) وأيضًا تصنيف الشذوذ (أنواع مختلفة من الشذوذ). أظهرت النتائج أن كلاً من نماذج Random Forest و KNN حققت دقة عالية بنسبة 97٪ و 93٪ في التمييز بين الصور الطبيعية والمغايرة للأورام الدماغية. علاوة على ذلك، أداءت هذه النماذج بفعالية في تحديد فئات معينة من الشذوذ بدقة تبلغ 80٪ و 72٪ على التوالي. ثم، تقوم الرسالة بدراسة فعالية شبكات النسيج التصاعدي (CNN) في تصنيف الأورام الدماغية. حققت الشبكة CNN نتائج استثنائية ليس فقط في التصنيف الثنائي ولكن أيضًا في مجال مهام تصنيف الشذوذ. لمعالجة الطبيعة التسلسلية للبيانات، تم تحسين النموذج من خلال دمج شبكة LSTM. تستخدم هذه الهندسة المعمارية LSTM خلايا الذاكرة والبوابات لالتقاط التبعيات طويلة المدى والأنماط الزمنية في بيانات الأورام الدماغية. تتبع الطبقات المتصلة بالكامل وطبقات الإسقاط لزيادة دقة التنبؤ والحد من التجاوز. لختصار، تقدم هذه الدراسة منهجًا شاملاً لتصنيف الأورام الدماغية في صور MRI. يشمل النهج استخدام طرق استخراج السمات وشبكات CNN وشبكات LSTM. من خلال تنفيذ هذه التقنيات المتقدمة للتعلم العميق، تحقق الدراسة دقة 100٪ في تحديد وتصنيف الأورام..