2

fa ترکیب شبکه‌های پیچیده و الگوریتم‌های یادگیری ماشین برای بهبود تشخیص سرطان Integrate complex network with machine learning algorithms to improve cancer detection تخصصي Special كاربردي Applicable تومورها و ضایعات التهابی در مغز، بیماری‌های خطرناک و شایعی هستند. تجزیه و تحلیل تصاویر MRI به پزشکان در تشخیص زود هنگام آنها و همچنین درمان به موقع بسیار کمک می‌کند. در این مقاله، با جمع آوری مجموعه داده‌های MRI مخزن Kaggel و به وسیله یک شبکه پیچیده با معماری شبکه ساده برای شناسایی ویژگی‌های ضایعات التهابی و تومورهای مغزی ایجاد شده است. سپس از الگوریتم‌های یادگیری ماشین شامل: ماشین بردار پشتیبان، جنگل تصادفی، رگرسیون منطقی و بیز ساده برای تشخیص استفاده شده است. عملکرد الگوریتم‌ها با استفاده از پارامترهای دقت، صحت، امتیاز-F1، فراخوانی و منحنی ROC ارزیابی شده است. دقت به دست آمده توسط همه الگوریتم‌ها بسیار بالا بوده و بالاترین نتیجه تا ۲۶/۹۱ درصد بدست آمده است. این تحقیق با موفقیت یک شبکه پیچیده با معماری شبکه ساده را برای استخراج ویژگی‌های تصاویر MRIاعمال کرده است و در نتیجه دقت تشخیص ضایعات التهابی و تومورهای مغز را با استفاده از الگوریتم‌های یادگیری ماشین بهبود می‌بخشد. تشخیص سریع و دقیق ضایعات التهابی و تومورهای مغز در غربالگری بیماران بسیار مهم است و باتوجه به نتایج دقیق بدست آمده می‌توان این سیستم را در آینده به طور مستقیم در عمل بکار گرفت.   Detecting and distinguishing brain tumors and inflammatory lesions in MRI images is crucial for timely and effective treatment. In this study, we extracted features of brain tumors and inflammatory lesions from MRI images of the Kaggel dataset by using a complex network with simplified network architecture and integrated it with a machine learning algorithm to detect brain cancer. Machine learning algorithms including Logistic Regression, Random Forest, KNN, Naive Bayes and SVM were used to classify the images, and their performance was evaluated using accuracy, precision, F1-score, recall, and ROC curve parameters. Our results show that all classification algorithms achieved high accuracy rates, with the highest being 90.26%. By using a complex network with simplified network architecture to extract image features, we were able to improve the accuracy of distinguishing between inflammatory lesions and brain tumors. This research has significant implications for patient screening, as rapid and accurate classification of brain tumors and inflammatory lesions can facilitate timely treatment. In conclusion, our study demonstrates the potential of using machine learning algorithms in combination with MRI image analysis to distinguish between inflammatory lesions and brain tumors accurately. Our results provide a promising basis for further research, and the system can be directly applied in practice.   تصاویر MRI, شبکه پیچیده, الگوریتم‌های یادگیری ماشین, ناحیه التهابی, توده سرطان MRI images, Complex network, Machine learning algorithm, Inflammatory lesion, Mass cancer 18 27 http://jiis.iauh.ac.ir/browse.php?a_code=A-10-36-2&slc_lang=fa&sid=1 Mohammadreza molahoseini ardakani محمدرضا ملاحسینی اردکانی 1003194753284600148 1003194753284600148 Yes Islamic azad university دانشگاه ازاد میبد sadra amrolahi صدرا امرالهی 1003194753284600149 1003194753284600149 No Islamic azad university دانشگاه ازاد میید