تشخیص و دسته بندی تومور مغز با استفاده از بهینه سازی ازدحام ذرات و شبکه های عصبی کانولوشن در تصاویر MRI مغز
| عنوان فارسی پروپوزال | تشخیص و دسته بندی تومور مغز با استفاده از بهینه سازی ازدحام ذرات و شبکه های عصبی کانولوشن در تصاویر MRI مغز |
| عنوان انگلیسی پروپوزال | Detection and classification of brain tumors using particle swarm optimization and convolutional neural networks in MRI brain images |
| تعداد صفحات | ۲۳ |
| سال نگارش | ۲۰۲۰ |
| مقاله بیس | https://link.springer.com/chapter/10.1007/978-3-030-25797-2_8 |
| رشته | پزشکی و کامپیوتر |
| قالب فایل | Word |
فهرست مطالب پروپوزال تشخیص و دسته بندی تومور مغز با استفاده از بهینه سازی ازدحام ذرات و شبکه های عصبی کانولوشن در تصاویر MRI مغز
- بیان مساله اساسی تحقیق تشخیص فعالیت در خانه هوشمند
- اهمیت و ضرورت انجام تحقیق
- مرور ادبیات و سوابق مربوطه
- جنبه جدید بودن و نوآوری در تحقیق
- اهداف مشخص تحقیق
- سؤالات تحقیق
- فرضیه های تحقیق
- روش شناسی تحقیق
- شرح کامل روش (میدانی، کتابخانهای) و ابزار
- جامعه آماری، روش نمونه گیری و حجم نمونه
- روش‌ها و ابزار تجزیه و تحلیل داده ها
- مراجع
بیان مساله
رشد نامنظم سلول در مغز به عنوان تومور مغز شناخته می شود که منجر به تومورهای اولیه (خوش خیم) یا ثانویه (بدخیم) می شود. تومورهای اولیه غیر سرطانی هستند و از یک قسمت مغز به قسمت دیگر پخش نمی‌شوند، در حالی که تومورهای ثانویه سرطانی و ممکن است به قسمتهای دیگر مغز و بدن گسترش یابند. هنگام رشد تومور خوش خیم یا بدخیم، جمجمه بزرگ می شود و در نتیجه، به مغز آسیب می رسد. این روند یک تهدید جدی برای زندگی شخص است. بنابراین، پیش بینی صحیح تومور مغزی در مراحل اولیه برای تشخیص و درمان آن بسیار مهم است.
روشهای سنتی مورد استفاده برای تشخیص تومورهای مغزی، بیوپسی و بررسی تصاویر MR یا سی تی اسکن توسط انسان هستند. اگرچه بیوپسی وجود ناهنجاری را با دقت بالا تشخیص می دهد اما این روش برای بیماران دردناک است. همچنین پزشکان برای انجام بیوپسی باید از محل دقیق تومور و نسبت تومور آگاه باشند.
بنابراین معاینه MRI یا سی تی اسکن ضرروی است. یکی از مزایای تصویر MR نسبت به سی تی اسکن، عدم استفاده از اشعه در مرحل انجام آن است و به همین دلیل برای سلامتی انسان بی ضرر است. علاوه بر این، تصاویر MR تجسم دقیقی از تومورها را فراهم می کنند. با این حال، بررسی تعداد زیاد تصاویر MR توسط انسانها که به تخصص نیاز دارد، کاری خسته کننده و غیر عملی است.
همچنین آمارها نشان می دهد که رادیولوژیست ها طی روند تشخیص و غربالگری، ۱۰ تا ۳۰ درصد تومورها را تشخیص نمی دهند. بنابراین، شناسایی خودکار تومورهای مغزی با استفاده از تصاویر MRI یک تحول بزرگ در زمینه تشخیص تومور محسوب می شود. (Khan و همکاران، ۲۰۲۰)
از این رو در این تحقیق، یک روش برای تشخیص خودکار تومورهای مغزی با استفاده از ترکیب شبکه های عصبی کانولوشن و بهینه سازی ازدحام ذرات پیشنهاد می کنیم. بهینه سازی ازدحام ذرات برای تعیین مقدار آستانه مطلوب کمک می کند. جهت حذف نویز و بهبود کیفیت، فیلتر انتشار ناهمسانگرد بر تصاویر MRI اعمال می شود. ویژگی های استخراج شده به عنوان داده هایی برای آموزش شبکه عصبی کانولوشن و انجام دسته بندی ارائه شده است.
برخی از مراجع
۱۰٫ Mohamed, E., & Mahmoud, D. (2019). Brain tumor detection using artificial neural networks. Journal of Engineering and Computer Science (JECS), 13(2), 31-39.
۱۱٫ Özyurt, F., Sert, E., & Avcı, D. (2020). An expert system for brain tumor detection: Fuzzy C-means with super resolution and convolutional neural network with extreme learning machine. Medical hypotheses, 134, 109433.
۱۲٫ Sharif, M., Amin, J., Raza, M., Anjum, M. A., Afzal, H., & Shad, S. A. (2020). Brain tumor detection based on extreme learning. Neural Computing and Applications, 1-13.
۱۳٫ Sharma, M., Purohit, G. N., & Mukherjee, S. (2018). Information retrieves from brain MRI images for tumor detection using hybrid technique K-means and artificial neural network (KMANN). In Networking communication and data knowledge engineering (pp. 145-157). Springer, Singapore.