ترکیب ماشین بردار پشتیبان و مدل‌های پیش آموزش دیده‌ی شبکه عصبی کانولوشن به منظور طبقه‌بندی تومورهای مغزی در تصاویر ام‌آر‌آی

به دلیل محل رشد تومورهای مغزی در سر انسان، معمولا احتمال مرگ بر اثر این تومورها، شش برابر بیشتر از تومورهای دیگر است. سیستم‌های کامپیوتری را می‌توان برای کاهش تجویز درمان‌های نامناسب و کمک به متخصصان در تشخیص این بیماری استفاده کرد. در این مقاله از یک الگوریتم جدید به‌منظور تشخیص تومورها در 900 تصویر ام‌آر‌آی استفاده شده است. این الگوریتم مشتمل بر چهار فاز اصلی است که در فاز اول بعد از ورود داده‌ها عملیات پیش‌پردازش بر روی تصاویر با استفاده از روش یکسان‌سازی هیستوگرام انجام می‌شود. در فاز دوم با استفاده از دو مدل پیش آموزش‌دیده شبکه عصبی کانولوشن، استخراج ویژگی انجام می‌شود. استفاده از مدل‌های پیش آموزش‌دیده شبکه عصبی کانولوشن باعث می‌شود که ویژگی‌ها با کیفیت بالاتر، نسبت به روش‌های سنتی از تصاویر استخراج شود. به علت ایجاد ویژگی‌های فراوان توسط مدل‌های شبکه عصبی کانولوشن، در فاز سوم از روش تحلیل مؤلفه‌های اصلی احتمالی به‌منظور کاهش ابعاد و وابستگی استفاده می‌شود که در نهایت 100 ویژگی اصلی از هر مدل استخراج می‌شود. در فاز چهارم طبقه‌بندی با استفاده از الگوریتم ماشین بردار پشتیبان انجام می‌شود. به‌منظور مقایسه نتایج، از سه شاخص ویژگی، حساسیت، و دقت استفاده شده است. نتایج مقایسه‌ای نشان می‌دهد که الگوریتم پیشنهادی عملکرد مناسبی در اکثر داده‌ها دارد.