دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 22 4 2025 12 22 An Improved VGG Based Deep Learning Framework for Glioma Classification in Brain MRI Images یک چارچوب یادگیری عمیق بهبود‌یافته مبتنی بر VGG برای طبقه‌بندی گلیوما در تصاویر تشدید مغناطیسی مغز 33298 10.48305/him.2026.45796.1348 FA آسیه خسروانیان استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، مجتمع آموزش عالی لارستان 0000-0002-2436-9756 Journal Article 2025 10 13 Introduction: Early detection of brain tumors can play a significant role in treatment planning. In brain magnetic resonance imaging (MRI), there are considerable similarities between healthy and cancerous tissues, making accurate tumor detection a major challenge. Furthermore, manual classification of these images is time‑consuming and prone to human error; therefore, developing automated classification methods can provide substantial support to physicians.<br><br>Methods: In this study, a novel deep neural network architecture is proposed for automatic classification of brain tumors in MRI images. In the proposed method, the VGG‑16 deep neural network architecture has been redesigned. To preserve the spatial resolution of features in deeper layers and to enable detection of small tumor regions as well as identification of ambiguous boundaries, the max‑pooling layer in the original VGG‑16 architecture was removed.<br><br>Results: The proposed method was evaluated using the BraTS2020 dataset with a 10‑fold cross‑validation approach. The evaluation results, based on the metrics Accuracy, Precision, Recall, Specificity, F1 Score, and AUC, showed that the proposed architecture achieved better performance compared to the original VGG‑16 neural network. Specifically, it attained values 0.9512 ± 0.0035, 0.9739 ± 0.0026, 0.9524 ± 0.0044, 0.9490 ± 0.0051, 0.9630 ± 0.0027, and 0.9514 ± 0.0044, respectively, for the mentioned metrics.<br><br>Conclusion: The results obtained from the proposed method in this study confirm that preserving spatial information and identifying ambiguous boundaries can play a significant role in improving classification accuracy. In addition, the applied modifications led to faster convergence and reduced over‑downsampling. چکیده<br><br>مقدمه: تشخیص زودهنگام تومورهای مغزی، می‌تواند نقش مهمی در برنامه‌ریزی‌های درمان داشته باشد. در تصاویر تشدید مغناطیسی مغز، شباهت‌های زیادی بین بافت سالم و سرطانی وجود دارد، لذا تشخیص دقیق تومورها به یک چالش مهم تبدیل شده است. همچنین طبقه‌بندی دستی این تصاویر، زمان‌بر و مستعد خطای انسانی است؛ لذا توسعه روش‌های طبقه‌بندی خودکار می‌تواند کمک مؤثری به پزشکان ارائه دهد.<br><br>روش‌ بررسی: در این پژوهش، معماری جدیدی از شبکه عصبی عمیق برای طبقه‌بندی خودکار تومور مغزی در تصاویر تشدید مغناطیسی پیشنهاد شده است. در روش پیشنهادی، معماری شبکه عصبی عمیق VGG-16 بازطراحی شده است. به‌منظور حفظ رزولوشن مکانی ویژگی‌ها در عمق شبکه و تشخیص نواحی کوچک تومورها و شناسایی مرزهای مبهم، لایة max‑pooling در معماری VGG‑16 حذف گردید. <br><br>یافته ها: روش پیشنهادی با استفاده از مجموعة داده BraTS2020 با روش 10-fold cross validation ارزیابی شد. نتایج ارزیابی بر اساس معیارهای Accuracy، Precision، Recall، Specificity، F1 Score و AUC نشان داد که معماری پیشنهادی نسبت به نسخه اصلی شبکه عصبی VGG-16، عملکرد بهتری دارد و توانسته در معیارهای ذکر شده به ترتیب به مقادیر 0035/0 9512±/0، 0026/0 9739±/0، 0044/0 ±9524/0، 0051/0 ±9490/0، 0027/0 ±9630/0، 0044/0 ±9514 /0 دست یابد.<br><br>نتیجه‌گیری: نتایج حاصل از روش پیشنهادی در این پژوهش، تأیید می‌کند که حفظ اطلاعات مکانی و شناسایی مرزهای مبهم می‌تواند نقش مهمی در افزایش دقت طبقه‌بندی داشته باشد. به‌علاوه تغییرات اعمال شده منجر به همگرایی سریع‌تر و کاهش نمونه‌برداری بیش از حد (Over-Downsampling) شده است. https://him.mui.ac.ir/article_33298_7f91dcb6928cc20970f862c16bcd623d.pdf