مقارنة بين الشبكات العصبونية الالتفافية CNNs وخوارزمية آلة المتجهات الداعمة SVM في تصنيف أورام صور الرنين المغناطيسي للدماغ

• Main Author: صبحي الشيخة (Author)
• Format: Book
• Published: Tishreen University, 2024-04-01T00:00:00Z.
• Subjects: article
• Online Access: Connect to this object online.
• Notes: 2079-3081; 2663-4279
• Keywords: Engineering (General). Civil engineering (General); TA1-2040; Education; L
• Source: مجلة جامعة تشرين للبحوث والدراسات العلمية- سلسلة العلوم الهندسية, Vol 46, Iss 1 (2024)

تعد أورام الدماغ من الامراض التي تعرض صحة الإنسان للخطر. حيث لا يؤذي هذا المرض الأشخاص جسديًا فحسب، بل يضع أيضًا عقبات مالية وعاطفية أمام الأسرة والحياة المهنية. إن مفتاح التشخيص المبكر لأورام الدماغ هو استخلاص استنتاجات من ملاحظة الأطباء لصور التصوير بالرنين المغناطيسي للدماغ. حيث تنقسم أورام الدماغ إلى أورام عالية الدرجة وأورام منخفضة الدرجة. ومع ذلك، نظرًا لأن كل طبيب لديه خبرة وطرق مختلفة في علاج الأورام، فلا توجد لدى الأطباء طريقة للحصول على معيار تصنيف موحد لأورام الدماغ. في هذا البحث، تم الحصول على عدد كبير من صور الرنين المغناطيسي للدماغ من قاعدة بيانات The 2019 Brain Tumor Segmentation challenge dataset. حيث نقوم بمعالجة بيانات صورة التصوير بالرنين المغناطيسي للدماغ من خلال جهاز حاسوب، ثم نقوم بتدريب البيانات من خلال خوارزمية التعلم الآلي، والتي يمكنها تصنيف أورام الدماغ بشكل فعال. في التجربة، تم استخدام الشبكة العصبية الالتفافية وآلة متجهات الدعم كخوارزمية للتدريب النموذجي. بلغت دقة آلة متجه الدعم في مجموعة الاختبار84.3%، بينما يبلغ أداء الشبكة العصبية الالتفافية في مجموعة الاختبار 77.6%. من النتيجتين التجريبيتين يمكن استنتاج أن أداء SVM أفضل من أداء CNN في تصنيف أورام الدماغ. بالإضافة إلى ذلك، حاولنا في هذه الدراسة أيضًا تحسين أداء النموذج من خلال بارامترات النموذج المختلفة. ويمكن تطبيق هذا البحث على نظام تشخيص أورام الدماغ بالإضافة إلى الأورام الأخرى. ونأمل أن توفر هذه الورقة للباحثين خبرة مفيدة في هذا المجال.