سیف اله سلیمانی

آمار تلفات انسانی زیاد به علت تومور مغزی، تشخیص زود هنگام آن را در مراحل اولیه، جهت معالجه و کاهش مرگ و میر الزامی می‌نماید. به علت پیچیدگی زیاد بافت‌های مغزی، تشخیص دستی بافت‌های مغز و تومور بسیار وقت‌گیر و وابسته به شرایط اپراتور می‌باشد. همچنین نیاز به افراد خبره برای بررسی تصاویر برای تشخیص این امر حیاتی است، که باعث ناکارآمدی روش‌های معمول و قدیمی در عدم حضور این افراد می‌گردد. تشخیص تومور مغزی در تصاویر CT از طریق قطعه بندی تصویر یکی از شاخه های مهم پردازش تصویر است که پژوهش های و سیعی را در دهه های اخیر در علوم پزشکی به خود اختصاص داده است. در این پژوهش با استفاده از مفاهیم پردازش تصویر، و با استفاده از دو روش نرمال سازی ویژگی ها در لایه های شبکه عصبی کانولوشن یعنی HGG و LGG به قطعه بندی تصاویر CT مغز و شناسایی تومور پرداختیم. نتایج نشان داد که با اعمال الگوریتم HGG ، دقت الگوریتم به میزان 6.8 درصد در قطعه بندی تصاویر حاصل از الگوریتم LGG در CNN بهبودی ایجاد کرده است. همچنین در مقایسه انجام شده معیارهای ارزیابی DCS، PVV و حساسیت در اندازه پنجره های مختلف قطعه بندی، اولا مشخص شد که بهینه ترین اندازه پنجره برای قطعه بندی برابر با 29 است، ثانیا مشخص شد که استفاده از روش CNN & HGG سبب بهبودی 4.98 درصد، 5.86 درصد و 4.08 درصد نسبت به الگوریتم CNN & LGG به ترتیب از نقطه نظرات DSC، PVV و حساسیت شده است.