مقدمه
رشد سلولی غیر‌عادی در هر بخش از بدن تومور نام دارد. به طور کلی تومورهای مغزی به دو نوع خوش‌خیم و بدخیم تقسیم می‌شوند. درواقع طرح درجه‌بندی تومورها که به طور گسترده استفاده می‌شود، توسط سازمان بهداشت جهانی صادر شده است [1]. نرولوژیست‌ها نقش مهمی در ارزیابی تومورهای مغزی و درمان دارند. هنگامی که یک تومور مغزی از نظر بالینی تشخیص داده می‌شود نیاز به ارزیابی نررولوژیست برای تعیین موقعیت تومور و ارتباط آن با ساختارهای اطراف است. این اطلاعات بسیار مهم و حیاتی، برای انتخاب بهترین روش درمان از جمله جراحی و پرتودرمانی است، اما همواره پزشکان در تشخیص دقیق مکان تومور مشکل دارند. این مشکل معمولاً به دلیل خستگی زیاد پزشکان، تصاویر با آرتیفکت بالا و سایر عوامل است. با توجه به این موارد، لزوم یک سیستم تشخیصی هوشمند بر پایه بینایی کامپیوتر می‌تواند به نرولوژیست‌ها و سایر پزشکان مغز و اعصاب در تشخیص صحیح کمک شایانی کند. استفاده از سیستم‌های تشخیص پزشکی هوشمند در تشخیص بیماری‌های مغزی، به عنوان دستیاری در کنار پزشکان و رادیولوژیست‌ها علاوه بر کمک شایان به آن‌ها، راه را برای شناسایی دقیق و عاری از خطا برای شناسایی و تفکیک این بیماری‌ها از سایر بیماری‌های مشابه، هموار می‌کند [2]. در سال‌های اخیر استفاده از سیستم‌های تشخیصی مبتنی بر یادگیری عمق به دلیل کارایی بالای آن بسیار مورد استفاده قرار گرفته است و تحقیقات زیادی در این زمینه در حال انجام است.
گاپتا و همکاران [3] مقاله‌ای با عنوان «یک سیستم غیرتهاجمی و تطبیقی جهت تشخیص تومورهای سرطانی از تصاویر وزن دار T2 با استفاده از آستانه‌گیری اوتسو و روش‌های طبقه‌بندی نظارتی‌شده» ارائه کردند. جهت پیش‌پردازش تصاویر استفاده‌شده از روش‌های غیرهمگن استفاده شده است و در مرحله بعد بخش‌بندی تصاویر MRI با استفاده از آستانه‌گیری اوتسو انجام شده است. در گام بعد، روی تصاویر بخش‌بندی‌شده، تعدادی از روش‌های استخراج ویژگی از قبیل تامورا LBP، فیلترهای گابور، GLCM و زرنیک اعمال شد. سپس از روش‌های استخراج ویژگی استفاده شد و دو نمونه برجسته از طریق اندازه گیری آنتروپی انتخاب شدند. درنهایت، جهت طبقه‌بندی از ماشین بردار پشتیبان (SVM) استفاده شد. در این پژوهش آن‌ها توانستند به دقت 98 درصد و همچنین حساسیت 100 درصد دست یابند. 
زیکی و همکاران [4] یک روش تفسیری برای تبدیل داده‌های چهاربُعدی توسعه داده‌اند، به طوری که معماری‌های استاندارد دوبُعدی CNN نیز می‌توانند برای انجام قطعه‌بندی تومور مغزی مورد استفاده قرار گیرند. نتایج گزارش‌شده بر روی مجموعه‌داده BRATS، مقدار امتیاز تاس برابر با 83/7 درصد را برای منطقه کل تومور، مقدار 73/6 درصد را برای منطقه هسته تومور و 69 درصد را برای منطقه فعال تومور نشان می‌دهند. 
 آمیت و همکاران [5] برای طبقه‌بندی ضایعات مغزی در تصاویر MRI سینه، از یک شبکه VGG استفاده و ویژگی‌های استخراج‌شده از آن را با استفاده از SVM طبقه‌بندی کردند. دقت گزارش‌شده بر روی پایگاه داده‌ای از 123 تصویر MRI، بدون استفاده از کانال‌های رنگی، برابر 73 درصد است که حساسیت 77 درصد و اختصاصی بودن 68 درصد‌ گزارش شده است. 
کرفیاتیس و همکاران [6] با استفاده از یک شبکه SegNet ساده، روی داده‌های BRATS بخش‌بندی انجام دادند. میانگین دقت dice گزارش‌شده روی پایگاه داده ‌BRATS، 87/6 درصد بوده است.
ساجید و همکاران [7] در پژوهش خود از شبکه‌های یادگیری عمیق به منظور تشخیص تومورهای مغزی از تصاویر رزونانس مغناطیسی استفاده کردند. در این تحقیق از تصاویر پایگاه داده BRAST استفاده شده است و محققان از تصاویر مختلف MRI استفاده کرده‌اند. آن‌ها روش خود را موفقیت‌آمیز دانستند و نتایج بسیار خوب شبیه‌سازی این کار بسیار واضح است.
یکی از رویکردهای جدید CNN به ارزیابی عملکرد تشخیص تومور مغزی با استفاده از معماری‌های عمیق‌تر CNN پرداخته است [8]. این رویکرد با استفاده از پیاده‌سازی فیلترهایی با اندازه 3×3 در لایه‌های کانولوشنی انجام شده است. بدین‌ترتیب با استفاده از این روش، لایه‌های کانولوشنی بیشتری می‌توانند به معماری اضافه شوند، بدون اینکه تأثیر میدان پذیرش فیلترهای بزرگ‌تر قبلی را کاهش دهند. علاوه بر این، معماری‌های عمیق‌تر از غیر‌خطی بودن بیشتری استفاده می‌کنند و وزن فیلتری کمتری دارند؛ زیرا از فیلترهای کوچک‌تری استفاده می‌کنند و این امر احتمال پیش‌پردازش را کاهش می‌دهد. نسخه اصلاح‌شده‌ای از ReLU به نام واحد خطی یکسوکننده با نشان LReLU به عنوان تابع فعال‌سازی غیرخطی مورد استفاده قرار گرفته است. CNN پیشنهادی که یازده لایه‌ عمقی دارد روی مجموعه‌ BRATS به مقادیر امتیاز تاسی برابر با 88، 83 و 77 درصد به ترتیب برای مناطق کل تومور، هسته تومور و فعال تومور دست یافته است.
در پژوهشی دیگر، پرریا [9] یک الگوریتم سلسه‌مراتبی کانولوشنی به منظور بخش‌بندی تصاویر MRI ارائه داد. شبکه پیشنهادی در این مقاله از U-net که دارای دو مسیر فشرده‌سازی و بسط دادن است، به عنوان تابع فعال‌ساز از LReLU با α=0/3 استفاده شده است. پس از هر لایه کانولوشن با کرنل 3*3 و فعالساز LReLU، تکنیک dropout=0/2 به کار گرفته شده است. از معماری پیشنهادی، برای هر دو سگمنت‌بندی کل تومور باینری و سگمنت‌بندی درون‌توموری چند کلاسه استفاده شده است. تنها تفاوت در تعداد کرنل‌های لایه آخر است که متناسب با تعداد کلاس‌هاست. تابع cross entopy به عنوان تابع خطای شبکه معرفی شده است و برای بهینه‌سازی اطلاعات SGD با نرخ یادگیری 0/01 استفاده شده است. 
هوایی و همکاران [10] یک روش سگمنت‌بندی تومور مغزی کاملاًً خودکار بر اساس یادگیری عمیق ارائه دادند. در اینجا، انواع مختلف معماری‌های مبتنی بر شبکه‌های عصبی کانولوشنی بررسی شده‌اند. CNN آن‌ها هردو ویژگی‌های محلی و همچنین ویژگی‌های زمینه‌ای سراسری‌تر را به طور هم‌زمان بررسی می‌کند. شبکه آن‌ها از یک لایه نهایی استفاده می‌کند که شبیه‌سازی کانولوشنی از لایه FC است که امکان 40 fold افزایش سرعت را می‌دهد. آن‌ها همچنین یک پروسه آموزش دوفازی را معرفی کردند که به ما امکان مقابله با مشکلات مربوط به عدم تعادل لیبل‌های تومور را می‌دهد. درنهایت، یک معماری آبشاری را بررسی کردند که در آن خروجی CNN پایه به عنوان یک منبع اطلاعات اضافی برای یک CNN بعدی تلقی می‌شود. نتایج گزارش‌شده بر روی دیتاست BRATS 2013 نشان می‌دهند معماری آن‌ها نسبت به روش‌های موجود بهبود‌ یافته و 30 بار سریع‌تر است.
پرریا و همکاران [11] بخش‌بندی تومورهای مغزی را با استفاده از یک شبکه کانولوشنی بهبود‌یافته انجام دادند. معماری شبکه برای HGG شامل یازده لایه است که پس از هر سه لایه کانولوشن یک لایه Max pooling قرار دارد و درنهایت سه لایه FC قرار دارند. معماری شبکه برای LGG متشکل از نُه لایه است که پس از هر دو لایه کانولوشن از max pooling استفاده شده و در انتها سه لایه FC به کار گرفته شده‌اند. معماری HGG عمیق‌تر از LGG است؛ بنابراین در LGG از dropout=0/5 استفاده شده، در حالی که در HGG برابر با 0/1 است، این تکنیک فقط در لایه‌های FC استفاده شده است. در تمامی لایه‌ها از تابع فعال‌ساز LreLU و در آخرین لایه FC تابع softmax به کار گرفته شده‌اند. در لایه‌های کانولوشن از تکنیک padding استفاده شده است. در طی آموزش، تابع خطای categorical cross entropy همراه بهینه‌ساز SGD استفاده شده است.
امین و همکاران [12] یک معماری جدید کانولوشنی به منظور تشخیص تومورهای مغزی پیشنهاد دادند. معماری مبتنی بر DNN برای سگمنت‌بندی تومور به کار گرفته شده است. هفت لایه برای طبقه‌بندی استفاده شده‌اند که شامل سه لایه کانولوشن، سه لایه ReLU و یک لایه softmax است. ابتدا تصاویر MR ورودی به چندین قطعه تقسیم می‌شوند و سپس مقدار پیکسل مرکزی هر قطعه به DNN ارائه می‌شود. آزمایشات گسترده‌ای با استفاده از هشت دیتاست ارزیاب عظیم شامل BRATS 2012، 2013، 2014، 2015 و ISLES 2015، 2017 انجام شده‌اند.
دانگ و همکاران [13] به منظور بخش‌بندی و تشخیص تومورهای مغزی از تصاویر MRI از شبکه U-Net استفاده کردند. در این پژوهش از یک معماری کانولوشنی 28 لایه استفاده شده است. آن‌ها توانستند در این تحقیق به دقت مطلوب دست یابند. 
همان‌طور که در مقدمه اشاره شد به علت عوامل مختلف در شناسایی و طبقه‌بندی تومورها مانند فرمت تصویربرداری، نویز، خستگی پزشکان و غیره، اهمیت ایجاد یک سیستم تشخیص هوشمند در طبقه‌بندی تومورها مورد نیاز است. در این مقاله به منظور تشخیص تومورهای مغزی از تصاویر MRI، از یک روش یادگیری عمیق مبتنی بر شبکه کانولوشنال دوبعدی با دقت بالا استفاده شده است. ساختار این مقاله به شرح زیر است: بخش دوم اختصاص به معماری سیستم تشخیص هوشمند پیشنهادی ارائه‌شده دارد. یافته‌های پژوهش در بخش سوم و بحث پیرامون مقاله در بخش چهارم ارائه خواهند شد. در نهایت، در بخش پنجم به نتیجه‌گیری پرداخته شده است.
مواد و روش‌ها 
در فناوری‌های یادگیری عمیق، شبکه‌های عصبی کانولوشن در زمینه تصاویر پزشکی، از محبوبیت بالاتری برخوردار هستند. در این پژوهش، مطالعات بر روی تصاویر سه نوع تومور مغزی انجام شده است. تصویر شماره 1 بلوک دیاگرام روش پیشنهادی را نمایش می‌دهد. 

در تصویر ابتدا تصاویر MRI به عنوان ورودی به شبکه پیشنهادی وارد می‌شوند که شامل تصاویر دارای تومور مغزی هستند. قبلاً در روش‌های سنتی به منظور استخراج ویژگی و طبقه‌بندی از روش‌های سنتی استفاده می‌شد. در روش پیشنهادی، این بخش شامل دو قسمت استخراج ویژگی و طبقه‌بندی است که توسط روش‌های یادگیری عمیق به صورت یکپارچه استفاده می‌شود. 
در این مقاله پژوهشی از یک شبکه کانولوشنی عمیق دو‌بعدی استفاده می‌شود که در بخش‌های بعدی توضیحات کامل شبکه ارائه خواهد شد. پس از ارائه شبکه کانولوشنی عمیق، در بخش نهایی، روش مورد ارزیابی قرار می‌گیرد و پارامترهای دقت، حساسیت و اختصاصی محاسبه می‌شود.
دیتای ورودی
در روش پیشنهادی این مقاله به منظور تشخیص تومورهای مغزی از تصاویر MRI معمولی و استاندارد استفاده شده است. روش‌های تصویربرداری MRI دارای پروتکل‌های مختلفی هستند که معمولاً برای تحقیقات از پروتکل‌های T1 ،T2 و Flair استفاده می‌شود. به همین منظور از پایگاه داده استفاده‌شده در این مقاله، که از تصاویر MRI با فرمت 1/5 تسلا هستند و در آن‌ها از پروتکل تصویربرداری MRI-T1 استفاده شده است بهره خواهیم برد. برای این تصاویر پایگاه داده از مرجع [14] استفاده شده است. در تصویر شماره 2، سه تصویر از سه کلاس این پایگاه داده نمایش داده شده است. 

این پایگاه داده شامل تصاویر سه نوع کلاس مختلف مغزی در ابعاد 512×512 است که سه کلاس آن مربوط به تومورهای مننژیوما (708 تصویر)، گلیوما (1426 تصویر) و هیپوفیز (930 تصویر) است. ابعاد این تصاویر برای استفاده در روش پیشنهادی از 512×512 به 128×128 تغییر داده شده است.
 شبکه کانولوشنی پیشنهادی

آموزش شبکه درواقع حداقل کردن تابع خطا بر حسب خروجی‌های واقعی شبکه در مقایسه با خروجی‌های مطلوب شبکه است. این کار از طریق اصلاح پارامترهای آزاد شبکه، یعنی وزن‌ها و بایاس‌ها صورت می‌گیرد. روش آموزش مورد‌استفاده در ساختار پیشنهاد فعلی، روش آموزش همراه با ناظر است. در این روش یک سرپرست بر رفتار یادگیرنده نظارت می‌کند و نحوه عملکرد صحیح را به او یادآور می‌شود. به بیان دیگر، سیستم یادگیرنده، مجموعه‌ای از زوج‌های داده متشکل از ورودی شبکه و خروجی مطلوب است. پس از اعمال ورودی شبکه، خروجی آن با خروجی مطلوب مقایسه شده و خطای یادگیری محاسبه و از آن برای اصلاح پارامترهای شبکه به گونه‌ای استفاده می‌شود که اگر به طور مجدد به شبکه همان ورودی‌ها داده شود، خروجی شبکه به خروجی مطلوب نزدیک‌تر شود. در این روش تصاویر به صورت دسته‌های 64‌تایی به شبکه وارد می‌شود و با وجود اینکه نیازمند حافظه بالاتری است، اما پایداری بالاتری را خواهد داشت. معماری روش پیشنهادی در تصویر شماره 3 نشان داده شده است و سپس در ادامه مهم‌ترین لایه‌های این معماری به صورت خلاصه توضیح داده شده است.

لایه‌های کانولوشنی
عملیات کانولوشن در تصویر بدین صورت است که فیلتر با سایز مورد‌نظر بر روی تصویر اصلی لغزانده می‌شود. بدین صورت که در هر لحظه آرایه‌های ماتریس فیلتر روی آرایه‌های پیکسل‌های تصویر قرار گرفته و ضرب می‌شوند. درنهایت حاصل تمام نقاط با یکدیگر جمع می‌شوند و به ازای هر قسمت فیلتر‌شده یک عدد به دست می‌آید. در مرحله بعد، فیلتر یک واحد به سمت راست رفته و مجدد عملیات تکرار می‌شود. این عملیات تا زمانی پیش می‌رود که کل پیکسل‌های تصویر جارو شوند. درنهایت یک ماترس جدید تولید می‌شود. در این مقاله از 3 لایه کانولوشنال با تابع فعال‌ساز Relu، که در هر لایه 32 فیلتر با ابعاد 3×3 قرار دارد، استفاده شده است [15]. 
 لایه‌های کاهش اندازه
لایه‌های کاهش اندازه در فواصل معین و به صورت دوره‌ای در بین لایه‌های کانولوشن متوالی قرار دارند. قرار دادن یک لایه pooling معمولاً بین چند لایه کانولوشنی پشت سر هم در یک معماری کانولوشنی امری بسیار رایج است و از آن برای کاهش اندازه نگاشت ویژگی‌ها و پارامترهای شبکه می‌توان استفاده کرد. کارکرد این لایه کاهش اندازه مکانی تصویر به جهت کاهش تعداد پارامترها و محاسبات در داخل شبکه و بنابراین کنترل Overfitting است. رایج‌ترین شکل استفاده از این لایه به صورت استفاده این لایه با فیلترهایی با اندازه و به صورت Max Pooling است [16]. جدول شماره 1 لایه‌های روش پیشنهادی را نشان می‌دهد. 



لایه Flatten
این لایه، یک لایه مهم است که بین لایه‌های استخراج ویژگی کانولوشنی و طبقه‌بندی خروجی قرار می‌گیرد. این لایه داده‌هایی که قصد ورود به مرحله طبقه‌بندی دارند را به بردار تبدیل می‌کند. 
لایه‌های تمام‌متصل Dense
پس از لایه‌های کانولوشنی، لایه‌های آخر تمام‌متصل قرار دارند. لایه‌های تماماً متصل همانند همتایان خود در شبکه‌های عصبی مصنوعی سنتی عمل می‌کنند و تقریباً 90 درصد پارامترهای یک شبکه کانولوشنی را شامل می‌شوند. لایه‌های تماماً متصل اجازه می‌دهند تا نتیجه شبکه را در قالب یک بردار با اندازه مشخص ارائه کنیم. ما می‌توانیم از این بردار برای دسته‌بندی تصاویر استفاده کنیم و یا اینکه از آن جهت ادامه پردازش‌های بعدی بهره ببریم [17]. در این قسمت، از الگوریتم‌های طبقه‌بندی مختلفی استفاده می‌شود. اما در این میان بیشتر از تابع فعال‌ساز Softmax استفاده می‌شود. در ریاضیات تابع بیشینه هموار یا تابعنمایی نرمال‌سازی‌شده تعمیم تابع لجستیک است. این تابع یک بردار K بعدی از اعداد حقیقی مانند Z را به عنوان ورودی دریافت می‌کند و بردار K بعدی (Z)σ از مقادیر حقیقی (0/1) را به عنوان خروجی می‌دهد که جمع مؤلفه‌های آن 1 می‌شود و فرمول آن در پایین آورده شده است (فرمول شماره 1). 



سافت مکس با نام لجستیک رگرسیون چندجمله‌ای، عمدتاً در زمینه ریاضیات مخصوصاً در تئوری احتمال و زمینه‌های مربوط به آن استفاده می‌شود. با این حال، طبقه‌بند softmax دارای یک مزیت منحصربه‌فرد در مقابله با بردارهای N‌بعدی است. در یادگیری عمیق برای طبقه‌بندی، بردارهای استخراج‌شده، احتمال بردار استخراج‌شده را تعیین خواهد کرد و سپس طبقه‌بندی می‌کند. تابع فعال‌ساز softmax از طبقه‌بندی لجستیک رگرسیون در statistics گرفته شده است. ایده اصلی لجستیک رگرسیون استفاده از روش رگرسیون منطقی در طبقه‌بندی است که داده ورودی را قضاوت کرده و یک تک نتیجه گسسته خروجی می‌دهد [18]. روش Softmax فقط یک ایراد دارد و آن پیچیدگی محاسباتی بالاست. اما این مشکل با پیشرفت‌های سریع در GPU حل شده است. با توجه به مزایای ذکر‌شده، در این مقاله در لایه تمام‌متصل از الگوریتم طبقه‌بندی Softmax استفاده شده است.
لایه Dropout
این لایه، در قسمت لایه‌های تمام‌متصل و بین آن‌ها استفاده می‌شود و هدف استفاده از آن جلوگیری از overfitting شبکه است. همان‌طور که در تصویر شماره 4 مشاهده می‌شود، این لایه از پیچیدگی‌های لایه‌های تمام‌متصل جلوگیری می‌کند که باعث جلوگیری از overfitting می‌شود. 

در این مقاله از دو لایه Dropout استفاده شده است و نرخ هر لایه برابر 0/5 تنظیم شده است. 
ارزیابی روش پیشنهادی 
عملکرد یک سیستم دسته‌بندی، از طریق پارامترهای متفاوتی نظیر دقت، صحت، حساسیت و معیار امتیاز F1 سنجیده می‌شود. درک این معیارها، به کاربران اجازه می‌دهد تا بفهمند یک مدل دسته‌بندی توسعه داده‌شده، تا چه حد در تحلیل داده‌های متنی خوب عمل می‌کند. برای ارزیابی عملکرد یک سیستم دسته‌بندی، می‌توان از یک مجموعه داده تست ثابت (مجموعه‌ای از داده‌های متنی با اندازه از پیش تعیین‌شده که کلاس (برچسب) هر‌کدام از نمونه‌های موجود در آن مشخص شده است) استفاده کرد. چنین فرایندی در مرحله ارزیابی، داده‌های آموزشی را به دو زیرمجموعه تقسیم می‌کند؛ زیرمجموعه اول برای آموزش مدل یادگیری ماشین و زیرمجموعه دوم برای تست عملکرد سیستم استفاده می‌شود.
معیار دقت، بیان‌کننده تعداد (پیش‌بینی‌های صحیح انجام‌شده) توسط دسته‌بند، تقسیم بر، تعداد (کل پیش‌بینی‌های انجام‌شده) توسط همان دسته‌بند است. 
معیار صحت، نسبت تعداد (پیش‌بینی‌های صحیح انجام‌شده) برای نمونه‌های یک کلاس خاص، به تعداد (کل پیش‌بینی‌ها) برای نمونه‌های همان کلاس خاص را (این تعداد، مجموع تمامی پیش‌بینی‌های صحیح و پیش‌بینی‌های نادرست را شامل می‌شود) ارزیابی می‌کند (فرمول شماره 2). 



معیار حساسیت، بیان‌کننده نسبت «تعداد داده‌های تصویری درست دسته‌بندی‌شده» در یک کلاس خاص، به تعداد کل داده‌هایی است که باید در همان کلاس خاص دسته‌بندی شوند (فرمول شماره 3). 



معیار امتیاز F1 پارامترهای دقت و حساسیت را با هم ترکیب می‌کند تا مشخص شود یک مدل دسته‌بند تا چه حد عملکرد خوبی از خود نشان می‌دهد (فرمول شماره 4). 



 در فرمول‌های مذکور، TP تعداد افراد بیمار است. TN تعداد افراد نرمال است. FP تعداد افرادی که به‌اشتباه بیمار طبقه‌بندی شده‌اند و FN تعداد افرادی است که به‌اشتباه نرمال طبقه‌بندی شده‌اند (فرمول شماره 5). 



یافته‌ها 
ابزار یادگیری عمیق برای شناسایی ویژگی‌های کلیدی از مجموعه داده‌های پیچیده، نشان‌دهنده اهمت آن‌ها در این دوره مدرن پرشکی است. در روش پیشنهادی در این پژوهش، 80 درصد از تصاویر پایگاه داده برای آموزش و 20 درصد تصاویر برای آزمون انتخاب می‌شود. این در حالی است که هیچ تداخلی بین داده‌های آموزش و آزمایش وجود ندارد. داده‌های آموزشی با اندازه دسته 64 به شبکه ارسال می‌‌شود که این شبکه در طی صد تکرار، آموزش دیده است. مدل پیشنهادی با بهره‌گیری از یادگیری سلسله‌مراتبی و استخراج ویژگی‌های سطح بالا، عملکرد بهتری را نسبت به سایر روش‌ها در پی دارد. جهت پیاده‌سازی کدهای مربوط به شبکه یادگیری عمیق پیشنهادی، از کامپیوتر با پردازنده Corei7-6700HQ، کارت گرافیک NVIDIA 1060 – 6Gbyte، دارای RAM 8Gbyte DDR4 و هارد یک‌ترابایتی استفاده شده است. جهت اجرای برنامه در محیط ویندوز از نرم‌افزار آناکوندا ورژن 3/7 و بسته نرم‌افزاری Spyder و بستر Tensorflow استفاده شده است.
بحث
این مطالعه یک روش طبقه‌بندی چند‌کلاسی تصاویر MRI تومورهای مغزی با استفاده از یک شبکه یادگیری عمیق کانولوشنی را ارائه می‌دهد. الگوریتم پیشنهادی شامل یک مرحله اصلی طبقه‌بندی با استفاده از شبکه کانولوشنی است. در مرحله بعد از یک شبکه کانولوشنی دوازده لایه که شامل سه لایه کانولوشن، سه لایه Max pooling، یک لایه Flatten، دو لایه Dropout، سه لایه تمام‌متصل است استفاده شده است. جهت طبقه‌بندی از تابع فعال ساز Softmax برای طبقه‌بندی سه کلاس استفاده شده است. تصاویر مورد‌استفاده از نوع T1 و دارای سه کلاس شامل سه نوع ضایعه مغزی شامل 708 تصویر تومور مننژیوما، 1426 تصویر تومور گلیوما و 920 تصویر تومور هیپوفیز هستند. میانگین دقت در پنج‌بار اجرای روش پیشنهادی 98/68 درصد است. روش پیشنهادی می‌تواند به عنوان یک نرم‌افزار کاربردی جهت تشخیص تومورهای مغزی مورد استفاده قرار گیرد. در جدول شماره 2، میانگین دقت کل و سایر پارامترها به ازای پنج‌بار اجرای برنامه نمایش داده شده است.



روش پیشنهادی با چندین تحقیق مشابه که اکثراً از روش ناحیه‌بندی تصاویر استفاده می‌کردند، مقایسه شده و مشاهده شد دقت روش پیشنهادی به‌مراتب بالاتر بوده که نتایج مقایسه در جدول شماره 3 نشان داده شده است. 



از نقاط قوت این مطالعه می‌توان به استفاده از یک شبکه عمیق کانولوشنی دوازده لایه اشاره کرد که دقت شبکه را به 98/68 درصد رسانده و از نقاط منفی می‌توان به عدم استفاده از تصاویر کلینیکی MRI با کلاس‌های مختلف جهت اینکه بتوان چندین بیماری مغزی را هم‌زمان تشخیص داد (تشخیص چند‌کلاسی) اشاره کرد. 
نتیجه‌گیری
مغز مهم‌ترین عضو بدن است که کنترل تمامی قسمت‌های بدن را برعهده دارد. در صورت وجود بیماری در این قسمت از بدن، اختلال در سایر قسمت‌های بدن ممکن است ایجاد شود و گاهی ممکن است این امر باعث مرگ فرد شود. در این پژوهش به منظور تشخیص و طبقه‌بندی تومورهای مغزی، یک سیستم اتوماتیک بر مبنای یادگیری عمیق ارائه شد. به دلیل اینکه در روش پیشنهادی، ویژگی‌های سطح بالا توسط یادگیری عمیق استخراج می‌شود، دقت طبقه‌بندی و تشخیص بسیار بالا بوده و همچنین اندازه بردار ویژگی نیز با کاهش همراه است. با توجه به تعداد بالای تصاویر پایگاه داده استفاده‌شده، شبکه به گونه‌ای طراحی شده که بالاترین سرعت اجرا و در عین حال بالاترین دقت را ارائه می‌دهد.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
با توجه به اینکه این پژوهش، استخراج‌شده از پایان‌نامه با شماره 16241006962002 از وزارت علوم است، طبق استعلام نیاز به تأیید اخلاقی ندارد.
حامی مالی
این مطالعه هیچگونه حمایت مالی نداشته شده است.
مشارکت نویسندگان
تمامی نویسندگان در آماده‌سازی این مقاله به یک اندازه مشارکت داشته‌اند.
تعارض منافع
بنا به اظهار نویسندگان، این مقاله هیچ‌گونه تعارض منافعی ندارد.
تشکر و قدردانی
نویسنده مقاله بر خود لازم می‌داند از همکاری ریاست دانشگاه آزاد اسلامی واحد فردوس تشکر و قدردانی کند.

 

References
1.Davis FG, Freels S, Grutsch J, Barlas S, Brem S. Survival rates in patients with primary malignant brain tumors stratified by patient age and tumor histological type: An analysis based on Surveillance, Epidemiology, and End Results (SEER) data, 1973-1991. Journal of Neurosurgery. 1998; 88(1):1-10. [DOI:10.3171/jns.1998.88.1.0001] [PMID]
2.El-Dahshan ESA, Mohsen HM, Revett K, Salem ABM. Computer-aided diagnosis of human brain tumor through MRI: A survey and a new algorithm. Expert Systems with Applications. 2014; 41(11):5526-45. [DOI:10.1016/j.eswa.2014.01.021]
3.Gupta N, Khanna P. A non-invasive and adaptive CAD system to detect brain tumor from T2-weighted MRIs using customized Otsu’s thresholding with prominent features and supervised learning. Signal Processing: Image Communication. 2017; 59:18-26. [DOI:10.1016/j.image.2017.05.013]
4.Zikic D, Ioannou Y, Brown M, Criminisi A. Segmentation of brain tumor tissues with convolutional neural networks. Paper presented at: MICCAI Workshop on Multimodal Brain Tumor Segmentation Challenge (BRATS). September 2014; Boston, MA, USA. https://www.researchgate.net/publication/303703706
5.Li BN, Chui CK, S. Chang S, Ong SH. Integrating special fuzzy clustering with level set methods for automated medical image segmentation. Computers in Biology and Medicine. 2014; 41(1):1-10. [DOI:10.1016/j.compbiomed.2010.10.007]
6.Korfiatis P, Kline TL, Erickson BJ. Automated segmentation of hyperintense regions in FLAIR MRI using deep learning. Tomography. 2016; 2(4):334-40. [DOI:10.18383/j.tom.2016.00166] [PMID] [PMCID]
7.Iqbal S, Ghani MU, Saba T, Rehman A. Brain tumor segmentation in multi-spectral MRI using Convolutional Neural Networks (CNN). Microscopy Research and Technique. 2018; 81(4):419-27. [DOI:10.1002/jemt.22994]
8.Dvořák P, Menze B. Local structure prediction with convolutional neural networks for multimodal brain tumor segmentation. In: Menze B, Langs G, Montillo A, Kelm M, Müller H, Zhang S, et al, editors. Medical Computer Vision: Algorithms for Big Data. MCV 2015. Lecture Notes in Computer Science. Vol. 9601. Cham: Springer; 2016. pp. 59-71. [DOI:10.1007/978-3-319-42016-5_6]
9.Pereira S, Pinto A, Alves V, Silva CA. Brain tumor segmentation using convolutional neural networks in MRI images. IEEE Transactions on Medical Imaging. 2016; 35(5):1240-51. [DOI:10.1109/TMI.2016.2538465] [PMID]
10.Havaei M, Davy A, Warde-Farley D, Biard A, Courville C, Bengio Y, et al. Brain tumor segmentation with deep neural networks. Medical Image Analysis. 2017; 35:18-31. [DOI:10.1016/j.media.2016.05.004] [PMID]
11.Pereira S, Oliveira A, Alves A, Silva CA. On hierarchical brain tumor segmentation in MRI using fully convolutional neural networks: A preliminary study. Paper presented at: 2017 IEEE 5^th Portuguese Meeting on Bioengineering (ENBENG). 16-18 Feb 2017; Coimbra, Portugal. [DOI:10.1109/ENBENG.2017.7889452]
12.Amin J, Sharif M, Yasmin M, Fernandes SL. Big data analysis for brain tumor detection: Deep convolutional neural networks. Future Generation Computer Systems. 2018; 87:290-7. [DOI:10.1016/j.future.2018.04.065]
13.Dong H, Yang G, Liu F, Mo Y, Guo Y. Automatic brain tumor detection and segmentation using U-Net based fully convolutional networks. Paper presented at: Annual Conference on Medical Image Understanding and Analysis. 11-13 July 2017; Edinburgh, United Kingdom. [DOI:10.1007/978-3-319-60964-5_44]
14.Cancer Net. Brain tumor [Internet]. 2020 [Updated 2020]. Available from: https://www.cancer.net/cancer-types/brain-tumor/statictics
15.Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2012; 60(6):84-90. [DOI:10.1145/3065386]
16.Giusti A, Cireşan DC, Masci G, Gambardella LM, Schmidhuber J. Fast image scanning with deep max-pooling convolutional neural networks. Paper presented at: IEEE International Conference on Image Processing. 15-18 Sep 2013; Melbourne, VIC, Australia. [DOI:10.1109/ICIP.2013.6738831]
17.Thakkar V, Tewary S, Chakraborty C. Batch normalization in convolutional neural networks-A comparative study with CIFAR-10 data. Paper presented at: 5^th International Conference on Emerging Applications of Information Technology (EAIT). 12-13 Jan 2018; Kolkata, India. [DOI:10.1109/EAIT.2018.8470438]
18.Sainath TN, Vinyals O, Senior A, Sak H. Convolutional, long short-term memory, fully connected deep neural networks. Paper presented at: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 19-24 Apr 2015; Brisbane, QLD, Australia. [DOI:10.1109/ICASSP.2015.7178838]