تشخيص سرطان الدماغ في الصور بناءاً على التعلم العميق
Brain Cancer Diagnostics in Images Based on Deep Learning
Keywords:
الذكاء الاصطناعي, سرطان الدماغ، الشبكات العصبية التلافيفية, التعلم العميق, الشبكة العصبية العميقة،, الوحدة المتكررة المغلقة, الذاكرة طويلة المدى, التصوير بالرنين المغناطيسي, آلة الدعم المتجهي, : Artificial Intelligence (AI), Brain cancer, , Convolutional Neural Networks (CNNs), Deep Learning (DL), Deep Neural Network (DNN), Gated Recurrent Unit (GRU), Long short-term memory (LSTM), ), Magnetic Resonance Imaging (MRI), Support Vector Machine (SVM)Abstract
الملخص
تعتمد الطرق التقليدية لتشخيص سرطان الدماغ على التفسير اليدوي للصور الطبية، والتي لها قيود مثل الذاتية والخطأ البشري. في السنوات الأخيرة، أظهر استخدام التعلم العميق في تشخيص سرطان الدماغ نتائج واعدة، وخاصة في الكشف عن أنواع مختلفة من أورام المخ وتصنيفها. يهدف هذا البحث إلى تطوير طريقة دقيقة وفعالة لتشخيص سرطان الدماغ في الصور الطبية باستخدام ست تقنيات للتعلم العميق. تم تدريب الخوارزميات على مجموعتين كبيرتين من البيانات من موقع Kaggle العالمي. كانت نتائج دقة التشخيص مختلطة. عند اختبارها على مجموعة البيانات الأولى، حققت CNN وCNN-GRU 99٪، بينما حققت VGG19 94٪، وحققت CNN-LSTM 92٪، وكانت CNN-SVM مقنعة إلى حد ما بدقة 87٪، وتأخر DNN بشكل منخفض جدًا مقارنة ببقية النماذج بدقة 61٪. عند تطبيقها على مجموعة البيانات الثانية، أظهرت النتائج أن CNN حافظت على كفاءتها بدقة 99٪، وفشلت CNN-GRU عند مقارنتها بالنتائج المحققة على مجموعة البيانات الأولى بدقة 60٪. حققت نماذج CNN-LSTM وVGG19 وCNN-SVM نتائج بنسبة 97% و96% و95% على التوالي. بالإضافة إلى ذلك، لم تحقق DNN أيضًا نتائج جيدة بدقة 62%.
الكلمات المفتاحية: الذكاء الاصطناعي، سرطان الدماغ، الشبكات العصبية التلافيفية، التعلم العميق، الشبكة العصبية العميقة، الوحدة المتكررة المغلقة، الذاكرة طويلة المدى، التصوير بالرنين المغناطيسي، آلة الدعم المتجهي
ABSTRACT
Traditional methods for brain cancer diagnosis rely on manual interpretation of medical images, which have limitations such as subjectivity and human error. In recent years, the use of deep learning (DL) in brain cancer diagnosis has shown promising results, especially in detecting and classifying various types of brain tumors. This research aims to develop an accurate and effective method for brain cancer diagnosis in medical images using six deep learning techniques. The algorithms were trained on two large datasets from the global Kaggle website. The results of the diagnosis accuracy were mixed. When tested on the first dataset, CNN and CNN-GRU achieved 99%, while VGG19 achieved 94%, CNN-LSTM achieved 92%, CNN-SVM was somewhat convincing with 87% accuracy, and DNN lagged very low compared to the rest of the models with 61% accuracy. When applied to the second dataset, the results showed that CNN maintained its efficiency with 99% accuracy, and CNN-GRU failed when compared to the results achieved on the first dataset with 60% accuracy. CNN-LSTM, VGG19, and CNN-SVM models achieved 97%, 96%, and 95% results, respectively. In addition, DNN also did not achieve good results with an accuracy of 62%.