تشخیص تومور مغزی در تصاویر تشدید مغناطیسی با استفاده از تکنیک های یادگیری عمیق تومورهای مغزی به عنوان یکی از انواع بیماری های مغزی در دودسته کلی خوش خیم و بدخیم طبقه بندی می شوند. شناسایی تومور مغزی در تصاویر تشدید مغناطیسی می تواند در کمک به شناسایی سریع تومورهای بدخیم و اقدامات اولیه قبل از پیشرفت بیماری مؤثر باشد ولی به دلیل پیچیدگی و تنوع تومورها و مشکل در شناخت بافت سالم از تومور، مدت ها است که تلاش هایی برای استفاده از روش های یادگیری مبتنی بر رایانه برای دسته بندی تومور انجام شده و دراین بین روش های یادگیری عمیق از زمینه های مطالعاتی فعال می باشد. در این تحقیق سعی شده تا با استفاده از مدل شبکه های عصبی پیچشی سه بعدی(3D-CNN)، شناسایی دو نوع تومور خوش خیم و بدخیم از نوع درجه پایین و درجه بالا انجام شود. برای این تحقیق از مجموعه داده BraTS استفاده شده که حاوی تصاویر سه بعدی تشدید مغناطیسی مغز با دو نوع تومور می باشد. داده های این مجموعه داده دارای چهار مدالیته تصویر تشدید مغناطیسی از نوع T1، T1ce، T2 و Flair می باشد. در آزمایشات، برای بررسی عملکرد مدل از داده های چهار دوره از این مجموعه داده مربوط به سال های 2015 و 2018 تا 2020 استفاده شده است. دو مدل 3D-CNN و مدل ترکیبی در این تحقیق بررسی شدند. در مدل 3D-CNN ورودی داده در حالت های تصویر تک مدالیته و چند مدالیته و تقویت داده با چرخش، برگردان و تغییر اندازه استفاده شده است. در مدل ترکیبی از تلفیق سه مدل خودرمزگذار و یک مدل 3D-CNN به صورت یادگیری گروهی استفاده شده است. نتایج آزمایشان نشان داد که مدل 3D-CNN با اعمال انواع ورودی مختلف، در حالت ورودی چند مدالیته که در آن هر چهار مدالیته تصویر به صورت یک تصویر سه بعدی چهار کانال به مدل اعمال شده بود به دلیل ترکیب ویژگی های هر چهار مدالیته تصویر، نسبت به سایر ترکیبات داده ورودی، بهترین کارایی را دارد و مدل ترکیبی نیز تا حدودی دقت را افزایش داد. از مزیت های این مدل، سادگی و قابلیت اجرا روی پردازنده های عادی بدون پردازنده گرافیکی می باشد.
