AI اور دنیا کے مشکل مسائل · طب اور دوا کی دریافت · Nature (computational biology) · 2026-10-18

جامع خصوصیات کے اخراج کے ذریعے دماغی رسولی کی درجہ بندی اور سیگمنٹیشن کے لیے ملٹی ٹاسک ڈیپ لرننگ فریم ورک

اصل عنوان: Multi-task deep learning framework for brain tumor classification and segmentation using ensemble feature extraction

دماغی رسولیوں کی ابتدائی اور درست تشخیص علاج کی منصوبہ بندی کے لیے ضروری ہے، لیکن MRI کا دستی جائزہ سست ہوتا ہے اور انسانی غلطی کا شکار رہتا ہے، جبکہ درجہ بندی اور سیگمنٹیشن کو الگ الگ انجام دینے سے کمپیوٹیشنل لاگت بڑھ جاتی ہے۔ مصنفین ایک ملٹی ٹاسک ڈیپ لرننگ فریم ورک تجویز کرتے ہیں جو ResNet-50، EfficientNet-B5 اور CNN کی خصوصیات کو اٹینشن ماڈیولز کے ساتھ ملاتا ہے اور انہیں متحرک وزن دہی کے ذریعے یکجا کرتا ہے۔ یہ پہلے درجہ بندی کرتا ہے اور U-Net++ سیگمنٹیشن صرف اسی وقت چلاتا ہے جب رسولی کا پتا چلے، اور ایک عوامی MRI ڈیٹاسیٹ پر اس نے 99.84% درجہ بندی کی درستگی، 91.22% Dice coefficient اور 89.01% IoU رپورٹ کیا۔

اصل تحریر پڑھیں ↗

تمام آئٹمز →