tsta

فارسی

Home / سی و دومین کنفرانس ملی و دهمین کنفرانس بین المللی مهندسی زیست پزشکی ایران

طبقه بندی دقیق تومورهای مغزی با رویکرد ترکیبی EfficientNetB4 و ترنسفورمر بینایی

Authors :

الهه الهی پرست باقری¹ افشین ابراهیمی²

1- دانشگاه صنعتی سهند تبریز 2- دانشگاه صنعتی سهند تبریز

Keywords :

ترنسفورمر بینایی،تومور مغزی،شبکه های عصبی کانولوشنی،مدل هیبریدی،یادگیری عمیق،EfficientNetB4

Abstract :

در این مطالعه، یک مدل ترکیبی به نام FusionNet برای طبقه‌بندی تومورهای مغزی از تصاویر MRI ارائه شد. FusionNet شامل EfficientNetB4 و ترنسفورمر بینایی است که ویژگی‌های محلی و وابستگی‌های بلندبرد تصاویر را هم‌زمان استخراج می‌کند. آزمایش بر روی یک پایگاه داده معتبر نشان داد که این مدل با دقت 99.26٪ عملکردی بهتر نسبت به معماری‌های پایه دارد و سه نوع تومور مغزی رایج را با دقت و شاخص F1 بالا شناسایی می‌کند. تحلیل نتایج نشان می‌دهد ترکیب ویژگی‌های محلی EfficientNetB4 با توانایی ترنسفورمر در درک روابط سراسری تصویر نقش کلیدی در بهبود عملکرد دارد. این یافته‌ها حاکی از آن است که FusionNet می‌تواند به عنوان یک ابزار تشخیص خودکار تومور مغزی با کارایی بالا و قابلیت استفاده در محیط‌های بالینی کاربرد داشته باشد.