پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 709 |
| تعداد مقالات | 10,217 |
| تعداد مشاهده مقاله | 71,683,031 |
| تعداد دریافت فایل اصل مقاله | 63,502,202 |
تشخیص تومور مغزی پیشرفته: یک رویکرد جدید CNN بهینه شده توسط الگوریتم جستجوی کلاغ | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 خرداد 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.38564.2881 | ||
| نویسندگان | ||
| مریم مرادی1؛ سیما عمادی* 1؛ محسن سرداری زارچی2 | ||
| 1دانشکده موضوعی هوش مصنوعی و فناوریهای اجتماعی و پیشرفته، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران. | ||
| 2گروه مهندسی کامپیوتر ، دانشگاه میبد، یزد، ایران | ||
| تاریخ دریافت: 14 مرداد 1404، تاریخ بازنگری: 22 اسفند 1404، تاریخ پذیرش: 26 خرداد 1405 | ||
| چکیده | ||
| تصویربرداری پزشکی به عنوان ابزاری حیاتی برای تشخیص انواع بیماری ها عمل می کند. این تصاویر پزشکان را قادر می سازد تا بیماری ها را با دقت بیشتری ارزیابی کنند. با این حال، شناسایی دستی و تجزیه و تحلیل مقدار زیادی از داده های تصویربرداری تشدید مغناطیسی (MRI) چالش برانگیز و زمان بر است. در نتیجه، نیاز حیاتی به یک مدل یادگیری عمیق (DL) قابل اعتماد است که بتواند تومورهای مغزی را با دقت بالا تشخیص دهد. تکنیکهای یادگیری عمیق، مانند شبکههای عصبی کانولوشن (CNN)، ثابت کردهاند که در شناسایی تومورهای مغزی بسیار مؤثر هستند. اما علیرغم اثربخشی آنها، CNNها هنگام استفاده برای تشخیص تومورهای مغزی مبتنی بر تصویر پزشکی با چالشهای متعددی از جمله عدم استخراج ویژگی بافت تصویر و تکیه بر یک طبقهبندیکننده واحد در لایه کاملاً متصل، که فرآیند تقسیمبندی را در معماری CNN پیچیده میکند، روبرو هستند. در این میان ضرورت بکارگیری الگوریتم های فراابتکاری مطرح میگردد که تلاش آنها بر این باور است از بین راه حلهای موجود، پاسخ بهینه را پیدا کنند. در این پژوهش، یک رویکرد جدید برای طبقهبندی و تقسیمبندی تومورهای مغزی با استفاده از CNN و الگوریتم جستجوی کلاغ ارائه میشود. این الگوریتم با بهبود پارامتر های CNN، کمک میکند تا بتوان با بهترین میزان نرخ یادگیری، به نتایج دقیق تری دست یافت. نتایج شبیهسازی نشاندهندهی برتری این روش نسبت به الگوریتم نهنگ هریس میباشد. | ||
| کلیدواژهها | ||
| پردازش تصویر؛ ناحیه بندی تصاویر؛ CNN؛ الگوریتم های بهینه سازی فراابتکاری؛ الگوریتم جستجوس کلاغ | ||
| عنوان مقاله [English] | ||
| Enhanced Brain Tumor Detection: A Novel CNN Approach Optimized by the Crow Search Algorithm | ||
| نویسندگان [English] | ||
| Maryam Moradi1؛ Sima Emadi1؛ Mohsen Sardari Zarchi2 | ||
| 1Institute of Artificial Intelligence, Social and Advanced Technologies, Ya.C., Islamic Azad University, Yazd, Iran. | ||
| 2Department of Computer Engineering, Meybod University, Meybod, Iran | ||
| چکیده [English] | ||
| Medical imaging serves as a vital tool for diagnosing various diseases. These images enable doctors to assess conditions with greater accuracy. However, the manual identification and analysis of large amounts of Magnetic Resonance Imaging (MRI) data is challenging and time-consuming. Consequently, there is a critical need for a reliable deep learning (DL) model that can accurately detect brain tumors. Deep learning techniques, such as Convolutional Neural Networks (CNN), have proven to be very effective in identifying brain tumors. Nevertheless, despite their effectiveness, CNNs face several challenges when used for brain tumor detection based on medical imaging, including inadequate extraction of image texture features and reliance on a single classifier in the fully connected layer, which complicates the segmentation process in CNN architecture. In this context, the necessity of employing metaheuristic algorithms arises, which aim to find the optimal solution among existing alternatives. In this study, a novel approach for classifying and segmenting brain tumors using CNN and the Crow Search Algorithm is presented. This algorithm enhances CNN parameters, helping to achieve more accurate results with the best learning rate. Simulation results demonstrate the superiority of this method over the Harris Hawk optimization algorithm. | ||
| کلیدواژهها [English] | ||
| Image processing, Image segmentation, CNN, metaheuristic optimization algorithms, Crow Search Algorithm | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||