موسسه آموزش عالی آپادانا فصلنامه پیشرفت های مهندسی در حوزه پزشکی و مواد - 1 3 2026 02 09 Glioma Brain Tumor Classification Based on Deep Neural Network ConvNet and Brownian Curve طبقه بندی تومورهای گلیوما مغز برپایه شبکه عصبی عمیق ConvNet و منحنی براونی 65 84 10.22051/jera.2021.31891.2698 FA علیرضا گروه مهندسی (مهندسی پزشکی)، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران فاطمه گروه مهندسی (مهندسی پزشکی)، موسسه آموزش عالی آپادانا، شیراز، ایران 2025 11 11 The detection of benign and malignant brain tumors from MRI images is a fundamental challenge in artificial intelligence and biomedical engineering, as early identification of these life-threatening lesions plays a crucial role in improving patient survival. This research presents a comprehensive system for the automatic segmentation and classification of brain tumors using advanced image processing techniques and machine learning. The dataset used, BraTS, consists of standard MRI images with uniform intensity, brightness, and color distribution. The proposed method, utilizing optimized preprocessing, multi-scale feature extraction, and a fine-tuned machine learning model, achieved superior performance compared to previous methods. Evaluation results show a Dice Score of 93.62%, Mean Squared Error (MSE) of 0.85, Peak Signal-to-Noise Ratio (PSNR) of 41.70 dB, and sensitivity of 84.66%. This performance demonstrates the proposed system as an accurate and reliable tool for early diagnosis and tumor segmentation in clinical applications. تشخیص تومورهای مغزی خوش‌خیم و بدخیم از تصاویر MRI، چالشی اساسی در هوش مصنوعی و مهندسی پزشکی است؛ زیرا شناسایی زودهنگام این ضایعات کشنده، نقش تعیین‌کننده‌ای در بهبود بقای بیماران دارد. این پژوهش سیستمی جامع برای تقطیع و طبقه‌بندی خودکار تومورهای مغزی با استفاده از تکنیک‌های پیشرفته پردازش تصویر و یادگیری ماشین ارائه می‌دهد. مجموعه‌داده مورد استفاده، BraTS شامل تصاویر استاندارد MRI با شدت نور، روشنایی و توزیع رنگی یکسان است. روش پیشنهادی با بهره‌گیری از پیش‌پردازش بهینه، استخراج ویژگی‌های چندمقیاسی و مدل یادگیری ماشین تنظیم‌شده، عملکردی برتر نسبت به روش‌های پیشین به‌دست آورد. نتایج ارزیابی نشان‌دهنده دقت تقطیع (Dice Score) ۹۳٫۶۲٪، میانگین مربعات خطا (MSE) ۰٫۸۵، اوج نسبت سیگنال به نویز (PSNR) ۴۱٫۷۰ دسی‌بل و حساسیت ۸۴٫۶۶٪ است. این عملکرد، سیستم پیشنهادی را به‌عنوان ابزاری دقیق و قابل اعتماد برای تشخیص زودهنگام و تقطیع تومور در کاربردهای بالینی معرفی می‌کند. /downloadfilepdf/188971