జర్నల్ ఆఫ్ ఇన్ఫర్మేషన్ టెక్నాలజీ & సాఫ్ట్వేర్ ఇంజనీరింగ్
అందరికి ప్రవేశం

నైరూప్య

డీప్ లెర్నింగ్ ఉపయోగించి ప్రారంభ దశలో బ్రెయిన్ ట్యూమర్‌ని గుర్తించడం

ప్రబుద్ధ కాన్వర్, జూలియస్ భద్ర, మనష్ జ్యోతి దత్తా, జింటు దోవరి

మెదడు కణితుల చికిత్స ప్రణాళిక మరియు పరిమాణాత్మక మూల్యాంకనంలో, కణితుల పరిధిని నిర్ణయించడం ఒక ప్రధాన సవాలు. నాన్-ఇన్వాసివ్ మాగ్నెటిక్ రెసొనెన్స్ ఇమేజింగ్ (MRI) అయోనైజింగ్ రేడియేషన్ ఉపయోగించకుండా మెదడు ప్రాణాంతకత కోసం ఒక ఫ్రంట్-లైన్ డయాగ్నస్టిక్ టెక్నిక్‌గా అభివృద్ధి చేయబడింది. 3D MRI వాల్యూమ్‌ల నుండి మెదడు కణితి యొక్క పరిధిని మాన్యువల్‌గా విభజించడం అనేది ఆపరేటర్ సామర్థ్యంపై ఎక్కువగా ఆధారపడే సమయం తీసుకునే ప్రక్రియ. సరైన కణితుల పరిధి మూల్యాంకనం కోసం, ఈ దృష్టాంతంలో నమ్మకమైన పూర్తి ఆటోమేటెడ్ బ్రెయిన్ ట్యూమర్స్ సెగ్మెంటేషన్ విధానం అవసరం. మేము ఈ పేపర్‌లో U-Net డీప్ కన్వల్యూషనల్ నెట్‌వర్క్‌ల ఆధారంగా పూర్తిగా ఆటోమేటెడ్ బ్రెయిన్ ట్యూమర్స్ సెగ్మెంటేషన్ పద్ధతిని అందిస్తున్నాము. మా విధానాన్ని పరీక్షించడానికి మల్టీమోడల్ బ్రెయిన్ ట్యూమర్ ఇమేజ్ సెగ్మెంటేషన్ (BRATS 2015) డేటాసెట్‌లు ఉపయోగించబడ్డాయి, ఇందులో 220 హై-గ్రేడ్ బ్రెయిన్ ట్యూమర్‌లు ఉన్నాయి.