ارائه کننده: آریان حسینی راداستاد راهنما: دکتر امین رمضانیاستاد ناظر داخلی: دکتر وحید جوهری مجداستاد ناظر خارج از دانشگاه: دکتر محمدباقر شمس‌اللهی (دانشگاه صنعتی شریف)تاریخ: ۱۴۰۴/۰۷/۰۷ساعت: ۰۸:۰۰مکان: دانشکده مهندسی برق و کامپیوتر (بلوک ششم)، طبقه پنجم، سالن جلسا

چکیده:در این پژوهش، با هدف بهبود تشخیص غده‌های مغزی بر اساس تصاویر MRI، یک رویکرد یادگیری عمیق ترکیبی پیشنهاد شده است. برخلاف بسیاری از روش‌های موجود که تنها به یک معماری خاص متکی‌اند و یا در مواجهه با مجموعه داده‌های نامتعادل و نویزی دچار افت کارایی می‌شوند، روش حاضر بر پایه‌ی ترکیب چندین معماری پیشرفته‌ی شبکه‌های عصبی پیچشی و بهینه‌سازی‌های چندمرحله‌ای شامل جستجوی شبکه‌ای، روش هایپربند و بهینه‌سازی بیزی طراحی گردیده است. برای افزایش دقت و تعمیم‌پذیری، مجموعه‌ای از پیش‌پردازش‌های هدفمند مانند برش تصاویر، تغییر ابعاد، افزایش کنتراست تطبیقی و نرمال‌سازی به‌کار گرفته شد. همچنین، بهره‌گیری از استراتژی‌های تنظیم نرخ یادگیری چرخه‌ای و تک‌چرخه‌ای موجب تسریع همگرایی و بهبود عملکرد گردید. علاوه بر این، با بهره‌گیری از روش‌های یادگیری تجمیعی (سخت، نرم و انباشته‌ای) با فرا یادگیرنده‌ی XGBoost محدودیت‌های معماری‌های منفرد کاهش یافت. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی در مقایسه با کارهای اخیر، صحت (دقت کلی) بالاتری در طبقه‌بندی انواع غده‌های مغزی به‌دست آورده است. نتایج شبیه‌سازی بر روی یک مجموعه داده‌ با چهار کلاس نشان می‌دهد که چهارچوب پیشنهادی به دقت کلی (صحت) %۹۹.۷ بر روی مجموعه داده‌ی آزمون رسیده است.