A systematic evaluation of pre-trained encoder architectures for multimodal brain tumor segmentation using U-Net-based architectures

بحث أكاديمي متخصص في مجال الذكاء الاصطناعي وتحليل الصور الطبية، يهدف إلى تقييم أداء مجموعة من نماذج التعلم العميق المدربة مسبقًا كـ Encoder Backbones داخل بنية U-Net لاستخراج وتقسيم مناطق أورام الدماغ من صور الرنين المغناطيسي متعددة الأنماط (MRI).

اعتمدت الدراسة على مجموعة بيانات BraTS 2019 الطبية، وتم إجراء مقارنة منهجية بين 12 نموذجًا مختلفًا، منها:

ResNet

VGG

DenseNet

EfficientNet

MobileNetV2

Inception architectures

شمل العمل:

تجهيز ومعالجة بيانات MRI متعددة الأنماط

بناء نماذج U-Net باستخدام Encoders مختلفة

تدريب النماذج وتقييم الأداء باستخدام Cross Validation

تحليل النتائج باستخدام Dice Coefficient وJaccard Index

تحسين موثوقية النتائج عبر Fault Detection

أبرز النتائج:

حقق نموذج MobileNetV2-based U-Net أفضل أداء بين جميع النماذج، حيث وصل إلى:

99% Cross-validation Accuracy

99.3% Test Accuracy

Dice Score مرتفع لمناطق الورم المختلفة

Test Loss منخفض بلغ 0.0282

التقنيات المستخدمة:

Python – TensorFlow – Keras – Deep Learning – U-Net – Medical Image Segmentation – MRI Analysis – Transfer Learning