کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

بهینه‌سازی شبکه عصبی عمیق VGG-16 برای دسته‌بندی تصاویر پزشکی با مدیریت عدم توازن کلاس‌ها

نویسندگان :

آسیه خسروانیان¹

1- مجتمع آموزش عالی لارستان

کلمات کلیدی :

تصاویر تشدید مغناطیسی،تومور مغزی،دسته‌بندی،VGG-16،داده‌های نامتوازن

چکیده :

دسته‌بندی تصاویر پزشکی از جمله تصاویر تشدید مغناطیسی، نقش مهمی در برنامه‌ریزی‌های درمان ایفا می‌کند. یکی از چالش‌های مطرح در این تصاویر، عدم توازن داده‌هاست که منجر به کاهش دقت الگوریتم‌های یادگیری می‌شود. در تصاویر تشدید مغناطیسی تومورهای مغزی، این عدم توازن منجر به سوگیری مدل به دسته غالب می‌شود و به‌این‌ترتیب دقت تشخیص در دسته کمتر دیده شده، کاهش می‌یابد که در انتخاب روش درمان توسط پزشکان، تأثیرگذار است. در این پژوهش، برای مقابله با چالش عدم توازن داده‌ها در تشخیص تومورهای مغزی درجه بالا و درجه پایین، رویکردی نوین مبتنی بر شبکه عصبی عمیق VGG-16 پیشنهاد شده است. معماری بهینه شده پیشنهادی، شامل حذف هدفمند عملیات Max Pooling از بلوک چهارم، اصلاح در فرایند آموزش و به‌کارگیری روش نمونه‌برداری متعادل در سطح بیمار است. ارزیابی با استفاده از روش 5-fold cross-validation بر مجموعه‌داده BraTS 2020 انجام شد. نتایج ارزیابی نشان داد معماری پیشنهادی، باعث بهبود قابل‌توجه در معیارهای ارزیابی و کاهش سوگیری شبکه به سمت کلاس غالب شده است. میانگین معیارهای صحت، دقت و بازخوانی به ترتیب 9152/0، 9526/0 و 9158/0 به دست آمد.